Stockholmsenkäten - 4 Psykiska/psykosomatiska besvär

4.1 Bakgrund

Item/frågor har etiketter F88-F99 i datafilen, och motsvaras av fråga 90-101 i PDF-filen med frågor.

Samtliga frågor har fem svarskategorier, vilka varierar mellan frågorna. Fem frågor har svarskategorier från “Aldrig” till “Flera gånger i veckan”. Sex frågor har från “Sällan” till “Väldigt ofta”, och en från “Inte alls” till “Väldigt mycket”.

Svarsdata har kodats så att högre poäng innebär mera besvär/högre risk.

Sektionen i enkäten inleds med meningen: “NÅGRA FRÅGOR OM HUR DU MÅR”.

4.2 Lista med enkätfrågorna

itemnr	item
F88	Hur ofta har du haft huvudvärk detta läsår?
F89	Känner du dig ledsen och deppig utan att veta varför?
F90	Händer det att du känner dig rädd utan att veta varför?
F91	Hur ofta har du dålig aptit?
F92	Hur mycket skulle du vilja ändra på dig själv?
F93	Hur ofta har du under detta läsår haft ”nervös mage” (t.ex. magknip, magkramper, orolig mage, illamående, gaser, förstoppning eller diarré)?
F94	Hur ofta tycker du att du inget duger till?
F95	Hur ofta har du under detta läsår haft svårt att somna?
F96	Är du nöjd med ditt utseende?
F97	Känner du dig slö och olustig?
F98	Hur ofta har det hänt under detta läsår att du sovit oroligt och vaknat under natten?
F99	Hur ofta tycker du att det är riktigt härligt att leva?

4.2.1 Demografi

Vi har 9595 deltagare i samplet från 2014, och deras könsfördelning återges i tabellen nedan. Deltagare som saknar data på samtliga frågor är borttagna ur analysen.

4.3 Deskriptiva data

4.3.1 Demografi

Kön	n	Percent
Flicka	5179	54
Pojke	4416	46

Årskurs	n	Percent
Åk 9	4109	42.8
Gy 2	5486	57.2

4.3.2 Item-data

4.4 Rasch-analys 1 samtliga items

itemnr	item
F88	Hur ofta har du haft huvudvärk detta läsår?
F89	Känner du dig ledsen och deppig utan att veta varför?
F90	Händer det att du känner dig rädd utan att veta varför?
F91	Hur ofta har du dålig aptit?
F92	Hur mycket skulle du vilja ändra på dig själv?
F93	Hur ofta har du under detta läsår haft ”nervös mage” (t.ex. magknip, magkramper, orolig mage, illamående, gaser, förstoppning eller diarré)?
F94	Hur ofta tycker du att du inget duger till?
F95	Hur ofta har du under detta läsår haft svårt att somna?
F96	Är du nöjd med ditt utseende?
F97	Känner du dig slö och olustig?
F98	Hur ofta har det hänt under detta läsår att du sovit oroligt och vaknat under natten?
F99	Hur ofta tycker du att det är riktigt härligt att leva?

	OutfitMSQ	InfitMSQ	OutfitZSTD	InfitZSTD
F88	1.06	1.043	0.873	0.515
F89	0.709	0.716	-3.975	-4.256
F90	0.851	0.896	-1.117	-1.085
F91	1.133	1.094	1.348	1.473
F92	0.788	0.794	-3.17	-3.153
F93	1.029	1.015	0.579	0.225
F94	0.839	0.819	-2.055	-2.511
F95	1.059	1.054	0.584	0.57
F96	0.995	0.969	-0.128	-0.504
F97	0.968	0.959	-0.517	-0.448
F98	0.956	0.965	-0.367	-0.289
F99	1.072	0.995	1.037	-0.062

PCA of Rasch model residuals
Eigenvalues
2.02
1.31
1.22
1.11
1.08

	F88	F89	F90	F91	F92	F93	F94	F95	F96	F97	F98
F88
F89	-0.09
F90	-0.06	0.11
F91	-0.05	-0.13	-0.1
F92	-0.2	-0.01	-0.08	-0.12
F93	0.02	-0.08	-0.06	0	-0.1
F94	-0.18	0.06	-0.03	-0.21	0.12	-0.15
F95	-0.02	-0.17	-0.11	-0.02	-0.2	-0.06	-0.24
F96	-0.19	-0.12	-0.12	-0.22	0.29	-0.21	0.17	-0.24
F97	-0.11	-0.02	-0.05	-0.16	-0.07	-0.17	0.02	-0.13	-0.01
F98	0.02	-0.11	-0.04	-0.07	-0.21	-0.06	-0.17	0.18	-0.22	-0.14
F99	-0.19	0.02	-0.1	-0.13	-0.01	-0.17	-0.03	-0.13	0.08	-0.02	-0.17
Note:
Relative cut-off value (highlighted in red) is 0.122, which is 0.2 above the average correlation.

PCA på residualer från Rasch-modellen indikerar möjlig multidimensionalitet. Utifrån faktorladdningarna på första residualkontrasten ser vi två potentiella kluster i data. Det ena betecknas av de psykosomatiska frågorna, det andra av psykiska besvär. Vi tittar på klustren separat.

4.5 Rasch-analys 1 - psykosomatiska besvär

itemnr	item
F88	Hur ofta har du haft huvudvärk detta läsår?
F91	Hur ofta har du dålig aptit?
F93	Hur ofta har du under detta läsår haft ”nervös mage” (t.ex. magknip, magkramper, orolig mage, illamående, gaser, förstoppning eller diarré)?
F95	Hur ofta har du under detta läsår haft svårt att somna?
F98	Hur ofta har det hänt under detta läsår att du sovit oroligt och vaknat under natten?

	OutfitMSQ	InfitMSQ	OutfitZSTD	InfitZSTD
F88	0.897	0.894	-1.107	-1.125
F91	0.908	0.919	-1.055	-1.411
F93	0.894	0.889	-1.472	-1.393
F95	0.783	0.802	-2.636	-2.816
F98	0.77	0.79	-2.833	-3.012

PCA of Rasch model residuals
Eigenvalues
1.50
1.28
1.17
1.04
0.01

	F88	F91	F93	F95
F88
F91	-0.23
F93	-0.13	-0.17
F95	-0.22	-0.24	-0.26
F98	-0.14	-0.28	-0.23	0.02
Note:
Relative cut-off value (highlighted in red) is 0.012, which is 0.2 above the average correlation.

Bortsett från svarskategorierna fungerar items acceptabelt.

4.5.1 Omkodning av svarskategorier

Vi behöver åtgärda flera items genom att slå samman svarskategorier:

F91: 1+2 och 3+4
F93 och F98: 3+4
F95: 0+1

Svarskategorier
Itemhierarki (med konfidensintervall runt svarströsklar)

4.6 Rasch-analys 2 - psykosomatiska besvär

Efter att ha åtgärdat svarskategorierna.

itemnr	item
F88	Hur ofta har du haft huvudvärk detta läsår?
F91	Hur ofta har du dålig aptit?
F93	Hur ofta har du under detta läsår haft ”nervös mage” (t.ex. magknip, magkramper, orolig mage, illamående, gaser, förstoppning eller diarré)?
F95	Hur ofta har du under detta läsår haft svårt att somna?
F98	Hur ofta har det hänt under detta läsår att du sovit oroligt och vaknat under natten?

	OutfitMSQ	InfitMSQ	OutfitZSTD	InfitZSTD
F88	0.886	0.891	-1.65	-1.659
F91	0.937	0.939	-0.705	-0.836
F93	0.904	0.901	-1.394	-1.347
F95	0.832	0.84	-1.792	-2.373
F98	0.798	0.816	-2.146	-2.526

PCA of Rasch model residuals
Eigenvalues
1.47
1.30
1.14
1.09
0.00

	F88	F91	F93	F95
F88
F91	-0.18
F93	-0.19	-0.08
F95	-0.27	-0.14	-0.28
F98	-0.23	-0.18	-0.26	-0.05
Note:
Relative cut-off value (highlighted in red) is 0.013, which is 0.2 above the average correlation.

4.7 Invarians-/DIF

4.7.1 Kön

itemnr	item
F88	Hur ofta har du haft huvudvärk detta läsår?
F91	Hur ofta har du dålig aptit?
F93	Hur ofta har du under detta läsår haft ”nervös mage” (t.ex. magknip, magkramper, orolig mage, illamående, gaser, förstoppning eller diarré)?
F95	Hur ofta har du under detta läsår haft svårt att somna?
F98	Hur ofta har det hänt under detta läsår att du sovit oroligt och vaknat under natten?

Tabell
Figur

Item	2	3	Mean location	StDev	MaxDiff
F88	-0.107	0.033	-0.037	0.099	0.140
F91	0.165	0.131	0.148	0.024	0.034
F93	-0.216	-0.140	-0.178	0.054	0.076
F95	0.103	-0.130	-0.014	0.164	0.232
F98	0.056	0.105	0.080	0.035	0.050

Inga problem med DIF för något item gällande kön.

4.7.2 Årskurs

itemnr	item
F88	Hur ofta har du haft huvudvärk detta läsår?
F91	Hur ofta har du dålig aptit?
F93	Hur ofta har du under detta läsår haft ”nervös mage” (t.ex. magknip, magkramper, orolig mage, illamående, gaser, förstoppning eller diarré)?
F95	Hur ofta har du under detta läsår haft svårt att somna?
F98	Hur ofta har det hänt under detta läsår att du sovit oroligt och vaknat under natten?

Tabell
Figur

Item	2	3	Mean location	StDev	MaxDiff
F88	-0.088	0.005	-0.041	0.066	0.093
F91	0.079	0.197	0.138	0.084	0.118
F93	-0.140	-0.217	-0.179	0.055	0.077
F95	-0.017	-0.007	-0.012	0.007	0.010
F98	0.166	0.022	0.094	0.102	0.145

4.7.3 Årtal

itemnr	item
F88	Hur ofta har du haft huvudvärk detta läsår?
F91	Hur ofta har du dålig aptit?
F93	Hur ofta har du under detta läsår haft ”nervös mage” (t.ex. magknip, magkramper, orolig mage, illamående, gaser, förstoppning eller diarré)?
F95	Hur ofta har du under detta läsår haft svårt att somna?
F98	Hur ofta har det hänt under detta läsår att du sovit oroligt och vaknat under natten?

Item	3	5	6	8	10	11	Mean location	StDev	MaxDiff
F88	-0.096	-0.077	-0.070	-0.043	-0.035	-0.045	-0.061	0.024	0.061
F91	0.104	0.149	0.102	0.132	0.078	0.060	0.104	0.033	0.088
F93	-0.144	-0.142	-0.125	-0.185	-0.211	-0.178	-0.164	0.032	0.085
F95	0.049	0.001	0.004	-0.009	0.038	0.002	0.014	0.024	0.058
F98	0.087	0.069	0.090	0.105	0.130	0.161	0.107	0.033	0.092

Items är stabila och jämförbara över tid.

4.8 Reliabilitet - psykosomatiska besvär

Vi har acceptabel reliabilitet för ca 68% av respondenterna.

4.9 Item-parametrar

	Threshold 1	Threshold 2	Threshold 3	Threshold 4	Item location
F88	-1.09	-0.28	0.85	1.23	0.18
F91	0.01	0.70	NA	NA	0.35
F93	-0.37	0.09	0.51	NA	0.08
F95	-0.05	0.22	0.57	NA	0.25
F98	-0.08	0.25	0.86	NA	0.34

4.10 Transformeringstabell

Med mätosäkerheter angivna som Logit std.error, där värden under 0.54 motsvarar reliabilitet över PSI = 0.7.

Ordinal sum score	Logit score	Logit std.error
0	-2.80	NA
1	-2.02	1.00
2	-1.32	0.72
3	-0.90	0.60
4	-0.58	0.53
5	-0.32	0.49
6	-0.09	0.47
7	0.13	0.46
8	0.34	0.46
9	0.56	0.47
10	0.79	0.49
11	1.04	0.53
12	1.35	0.59
13	1.77	0.71
14	2.45	0.99
15	3.20	NA

4.11 Rasch-analys 1 - psykiska besvär

itemnr	item
F89	Känner du dig ledsen och deppig utan att veta varför?
F90	Händer det att du känner dig rädd utan att veta varför?
F92	Hur mycket skulle du vilja ändra på dig själv?
F94	Hur ofta tycker du att du inget duger till?
F96	Är du nöjd med ditt utseende?
F97	Känner du dig slö och olustig?
F99	Hur ofta tycker du att det är riktigt härligt att leva?

	OutfitMSQ	InfitMSQ	OutfitZSTD	InfitZSTD
F89	0.773	0.79	-2.597	-2.726
F90	0.958	1.007	-0.268	0.25
F92	0.778	0.784	-2.616	-3.118
F94	0.765	0.763	-2.825	-3.194
F96	0.879	0.882	-1.426	-1.608
F97	1.031	1.021	0.307	0.241
F99	1.059	1.016	0.365	0.016

PCA of Rasch model residuals
Eigenvalues
1.60
1.28
1.18
1.09
0.98

	F89	F90	F92	F94	F96	F97
F89
F90	0.06
F92	-0.17	-0.18
F94	-0.11	-0.15	-0.08
F96	-0.34	-0.26	0.12	-0.05
F97	-0.14	-0.12	-0.24	-0.16	-0.2
F99	-0.12	-0.18	-0.18	-0.22	-0.11	-0.16
Note:
Relative cut-off value (highlighted in red) is 0.058, which is 0.2 above the average correlation.

itemnr	item
F89	Känner du dig ledsen och deppig utan att veta varför?
F90	Händer det att du känner dig rädd utan att veta varför?
F92	Hur mycket skulle du vilja ändra på dig själv?
F94	Hur ofta tycker du att du inget duger till?
F96	Är du nöjd med ditt utseende?
F97	Känner du dig slö och olustig?
F99	Hur ofta tycker du att det är riktigt härligt att leva?

Många items har problem med oordnade svarskategorier.

Items 92 och 96 har en för stor residualkorrelation, men vi avvaktar med åtgärd tills svarskategorierna är åtgärdade.

4.12 Omkodning av svarskategorier

Vi behöver åtgärda flera items:

F89, 90, 96: 1+2 och 3+4
F92, 99: 3+4
F97: 0+1

(flera varianter testades, och ovanstående fungerade minst dåligt)

Svarskategorier
Itemhierarki (med konfidensintervall runt svarströsklar)

4.13 Rasch-analys 2 - psykiska besvär

Efter att ha åtgärdat svarskategorierna.

itemnr	item
F89	Känner du dig ledsen och deppig utan att veta varför?
F90	Händer det att du känner dig rädd utan att veta varför?
F92	Hur mycket skulle du vilja ändra på dig själv?
F94	Hur ofta tycker du att du inget duger till?
F96	Är du nöjd med ditt utseende?
F97	Känner du dig slö och olustig?
F99	Hur ofta tycker du att det är riktigt härligt att leva?

	OutfitMSQ	InfitMSQ	OutfitZSTD	InfitZSTD
F89	0.777	0.79	-3.179	-3.006
F90	0.912	0.951	-0.661	-0.512
F92	0.832	0.841	-2.005	-2.15
F94	0.774	0.792	-2.478	-2.871
F96	0.845	0.845	-1.929	-2.285
F97	1.071	1.024	0.896	0.147
F99	1.076	1.045	0.862	0.767

PCA of Rasch model residuals
Eigenvalues
1.52
1.33
1.21
1.13
0.91

	F89	F90	F92	F94	F96	F97
F89
F90	0.12
F92	-0.13	-0.13
F94	-0.11	-0.13	-0.17
F96	-0.2	-0.18	0.12	-0.07
F97	-0.11	-0.11	-0.24	-0.22	-0.17
F99	-0.11	-0.16	-0.24	-0.31	-0.12	-0.16
Note:
Relative cut-off value (highlighted in red) is 0.065, which is 0.2 above the average correlation.

Vi har två residualkorrelationer ca 0.25 över medelvärdet för samtliga residualkorrelationer.

F96 tas bort (F92 behålls pga bättre targeting)
F90 tas bort (F89 behålls pga bättre targeting)

4.13.1 Reliabilitet

Även om vi inte undersökt DIF, vilket bör göras innan reliabiliteten bedöms, så har de påtagliga problemen med svarskategorierna medfört att vi kan ha såpass låg reliabilitet att det inte är meningsfullt med DIF-analysen.

Eftersom många items uppvisade problem med svarskategorierna blir reliabiliteten låg.

Vi provar att slå samman kvarvarande items från psykiska besvär med de items som utgör psykosomatiska besvär.

4.14 Rasch-analys 1 psykiska/psykosomatiska besvär

itemnr	item
F88	Hur ofta har du haft huvudvärk detta läsår?
F89	Känner du dig ledsen och deppig utan att veta varför?
F91	Hur ofta har du dålig aptit?
F92	Hur mycket skulle du vilja ändra på dig själv?
F93	Hur ofta har du under detta läsår haft ”nervös mage” (t.ex. magknip, magkramper, orolig mage, illamående, gaser, förstoppning eller diarré)?
F94	Hur ofta tycker du att du inget duger till?
F95	Hur ofta har du under detta läsår haft svårt att somna?
F97	Känner du dig slö och olustig?
F98	Hur ofta har det hänt under detta läsår att du sovit oroligt och vaknat under natten?
F99	Hur ofta tycker du att det är riktigt härligt att leva?

	OutfitMSQ	InfitMSQ	OutfitZSTD	InfitZSTD
F88	1.078	1.058	1.171	0.907
F89	0.719	0.728	-4.218	-4.478
F91	0.963	0.961	-0.56	-0.537
F92	0.86	0.863	-1.779	-2.072
F93	1.014	0.993	-0.227	0.119
F94	0.904	0.887	-1.303	-1.599
F95	1.006	0.985	0.118	-0.118
F97	0.967	0.954	-0.261	-0.855
F98	0.95	0.957	-0.538	-0.857
F99	1.064	1.01	0.826	0.284

PCA of Rasch model residuals
Eigenvalues
1.78
1.26
1.13
1.08
1.02

	F88	F89	F91	F92	F93	F94	F95	F97	F98
F88
F89	-0.1
F91	-0.07	-0.03
F92	-0.22	0.05	-0.06
F93	-0.03	-0.07	0	-0.1
F94	-0.23	0.08	-0.16	0.11	-0.18
F95	-0.08	-0.14	-0.04	-0.21	-0.11	-0.26
F97	-0.14	0.01	-0.13	-0.05	-0.18	0.02	-0.13
F98	-0.05	-0.09	-0.08	-0.2	-0.1	-0.21	0.11	-0.17
F99	-0.23	0.04	-0.12	0.01	-0.2	-0.02	-0.14	0.01	-0.19
Note:
Relative cut-off value (highlighted in red) is 0.109, which is 0.2 above the average correlation.

ICC plot
Konfidensintervall för svarströsklar

F94 har fortfarande problem med svarskategorierna. Vi slår samman de två mittersta.

ICC plot
Konfidensintervall för svarströsklar

4.15 Rasch-analys 2 psykiska/psykosomatiska besvär

itemnr	item
F88	Hur ofta har du haft huvudvärk detta läsår?
F91	Hur ofta har du dålig aptit?
F92	Hur mycket skulle du vilja ändra på dig själv?
F93	Hur ofta har du under detta läsår haft ”nervös mage” (t.ex. magknip, magkramper, orolig mage, illamående, gaser, förstoppning eller diarré)?
F94	Hur ofta tycker du att du inget duger till?
F95	Hur ofta har du under detta läsår haft svårt att somna?
F97	Känner du dig slö och olustig?
F98	Hur ofta har det hänt under detta läsår att du sovit oroligt och vaknat under natten?
F99	Hur ofta tycker du att det är riktigt härligt att leva?

	OutfitMSQ	InfitMSQ	OutfitZSTD	InfitZSTD
F88	1.009	0.997	0.349	0.08
F91	0.929	0.936	-0.787	-0.881
F92	0.871	0.874	-1.758	-1.842
F93	0.961	0.95	-0.531	-0.546
F94	0.835	0.839	-1.88	-2.28
F95	0.922	0.918	-0.82	-1.29
F97	0.959	0.948	-0.433	-0.765
F98	0.895	0.908	-1.558	-1.349
F99	1.058	1.009	0.748	0.09

PCA of Rasch model residuals
Eigenvalues
1.69
1.29
1.16
1.07
1.01

	F88	F91	F92	F93	F94	F95	F97	F98
F88
F91	-0.09
F92	-0.22	-0.05
F93	-0.06	-0.02	-0.1
F94	-0.14	-0.09	0.16	-0.11
F95	-0.12	-0.07	-0.21	-0.15	-0.16
F97	-0.15	-0.13	-0.03	-0.18	0.09	-0.15
F98	-0.08	-0.1	-0.2	-0.13	-0.12	0.07	-0.18
F99	-0.24	-0.12	0.03	-0.2	0.05	-0.16	0.01	-0.2
Note:
Relative cut-off value (highlighted in red) is 0.102, which is 0.2 above the average correlation.

F94 korrelerar för starkt med F92. Vi tar bort F94 p.g.a. sämre targeting och ZSTD.

4.16 Rasch-analys 3 psykiska/psykosomatiska besvär

itemnr	item
F88	Hur ofta har du haft huvudvärk detta läsår?
F91	Hur ofta har du dålig aptit?
F92	Hur mycket skulle du vilja ändra på dig själv?
F93	Hur ofta har du under detta läsår haft ”nervös mage” (t.ex. magknip, magkramper, orolig mage, illamående, gaser, förstoppning eller diarré)?
F95	Hur ofta har du under detta läsår haft svårt att somna?
F97	Känner du dig slö och olustig?
F98	Hur ofta har det hänt under detta läsår att du sovit oroligt och vaknat under natten?
F99	Hur ofta tycker du att det är riktigt härligt att leva?

	OutfitMSQ	InfitMSQ	OutfitZSTD	InfitZSTD
F88	0.962	0.958	-0.628	-0.51
F91	0.902	0.915	-1.256	-1.106
F92	0.886	0.885	-1.409	-1.683
F93	0.923	0.922	-0.817	-1.307
F95	0.882	0.881	-1.472	-1.937
F97	0.972	0.947	-0.353	-0.464
F98	0.863	0.878	-1.535	-2.099
F99	1.055	1.004	0.526	0.141

PCA of Rasch model residuals
Eigenvalues
1.55
1.31
1.17
1.05
1.00

	F88	F91	F92	F93	F95	F97	F98
F88
F91	-0.1
F92	-0.21	-0.04
F93	-0.07	-0.02	-0.08
F95	-0.14	-0.08	-0.2	-0.16
F97	-0.14	-0.13	0	-0.17	-0.14
F98	-0.09	-0.11	-0.18	-0.14	0.06	-0.17
F99	-0.24	-0.12	0.04	-0.2	-0.16	0.03	-0.2
Note:
Relative cut-off value (highlighted in red) is 0.087, which is 0.2 above the average correlation.

Detta ser ut att fungera bra. Vi övergår till DIF-analys

4.17 DIF/invarians

4.17.1 Kön

itemnr	item
F88	Hur ofta har du haft huvudvärk detta läsår?
F91	Hur ofta har du dålig aptit?
F92	Hur mycket skulle du vilja ändra på dig själv?
F93	Hur ofta har du under detta läsår haft ”nervös mage” (t.ex. magknip, magkramper, orolig mage, illamående, gaser, förstoppning eller diarré)?
F95	Hur ofta har du under detta läsår haft svårt att somna?
F97	Känner du dig slö och olustig?
F98	Hur ofta har det hänt under detta läsår att du sovit oroligt och vaknat under natten?
F99	Hur ofta tycker du att det är riktigt härligt att leva?

Item	2	3	Mean location	StDev	MaxDiff
F88	-0.204	-0.012	-0.108	0.136	0.193
F91	0.056	0.086	0.071	0.021	0.030
F92	-0.623	-0.443	-0.533	0.127	0.180
F93	-0.308	-0.180	-0.244	0.091	0.128
F95	-0.002	-0.171	-0.086	0.119	0.169
F97	0.779	0.628	0.704	0.106	0.151
F98	-0.048	0.056	0.004	0.074	0.104
F99	0.350	0.035	0.193	0.223	0.315

F99 är enda item som går strax över 0.3 logits. Behöver ej åtgärdas.

4.17.2 Årskurs

itemnr	item
F88	Hur ofta har du haft huvudvärk detta läsår?
F91	Hur ofta har du dålig aptit?
F92	Hur mycket skulle du vilja ändra på dig själv?
F93	Hur ofta har du under detta läsår haft ”nervös mage” (t.ex. magknip, magkramper, orolig mage, illamående, gaser, förstoppning eller diarré)?
F95	Hur ofta har du under detta läsår haft svårt att somna?
F97	Känner du dig slö och olustig?
F98	Hur ofta har det hänt under detta läsår att du sovit oroligt och vaknat under natten?
F99	Hur ofta tycker du att det är riktigt härligt att leva?

Item	2	3	Mean location	StDev	MaxDiff
F88	-0.157	-0.077	-0.117	0.056	0.079
F91	0.004	0.111	0.057	0.076	0.107
F92	-0.580	-0.517	-0.548	0.044	0.062
F93	-0.208	-0.286	-0.247	0.055	0.078
F95	-0.090	-0.085	-0.088	0.003	0.005
F97	0.744	0.699	0.722	0.032	0.045
F98	0.086	-0.058	0.014	0.102	0.144
F99	0.200	0.214	0.207	0.010	0.014

Inga skillnader mellan årskurser.

4.17.3 Årtal

itemnr	item
F88	Hur ofta har du haft huvudvärk detta läsår?
F91	Hur ofta har du dålig aptit?
F92	Hur mycket skulle du vilja ändra på dig själv?
F93	Hur ofta har du under detta läsår haft ”nervös mage” (t.ex. magknip, magkramper, orolig mage, illamående, gaser, förstoppning eller diarré)?
F95	Hur ofta har du under detta läsår haft svårt att somna?
F97	Känner du dig slö och olustig?
F98	Hur ofta har det hänt under detta läsår att du sovit oroligt och vaknat under natten?
F99	Hur ofta tycker du att det är riktigt härligt att leva?

Item	3	6	7	8	11	12	14	15	Mean location	StDev	MaxDiff
F88	-0.179	-0.177	-0.180	-0.161	-0.111	-0.148	-0.112	-0.141	-0.151	0.028	0.070
F91	0.017	0.046	0.039	0.007	0.060	0.022	-0.003	-0.036	0.019	0.030	0.096
F92	-0.502	-0.504	-0.494	-0.518	-0.542	-0.508	-0.495	-0.503	-0.508	0.016	0.048
F93	-0.221	-0.241	-0.233	-0.210	-0.247	-0.277	-0.278	-0.266	-0.247	0.025	0.068
F95	-0.038	-0.121	-0.082	-0.088	-0.088	-0.102	-0.042	-0.092	-0.082	0.028	0.084
F97	0.777	0.811	0.781	0.744	0.719	0.769	0.693	0.741	0.754	0.038	0.118
F98	-0.003	-0.045	-0.029	-0.007	0.002	0.021	0.045	0.061	0.006	0.035	0.106
F99	0.149	0.232	0.198	0.234	0.208	0.223	0.193	0.234	0.209	0.029	0.086

Items fungerar stabilt över tid.

4.17.4 Interaktion årskurs och kön

itemnr	item
F88	Hur ofta har du haft huvudvärk detta läsår?
F91	Hur ofta har du dålig aptit?
F92	Hur mycket skulle du vilja ändra på dig själv?
F93	Hur ofta har du under detta läsår haft ”nervös mage” (t.ex. magknip, magkramper, orolig mage, illamående, gaser, förstoppning eller diarré)?
F95	Hur ofta har du under detta läsår haft svårt att somna?
F97	Känner du dig slö och olustig?
F98	Hur ofta har det hänt under detta läsår att du sovit oroligt och vaknat under natten?
F99	Hur ofta tycker du att det är riktigt härligt att leva?

Item	3	4	6	7	Mean location	StDev	MaxDiff
F88	-0.235	-0.184	-0.071	0.036	-0.113	0.121	0.271
F91	-0.029	0.114	0.046	0.119	0.062	0.070	0.149
F92	-0.692	-0.576	-0.439	-0.446	-0.538	0.120	0.253
F93	-0.241	-0.355	-0.167	-0.190	-0.238	0.083	0.188
F95	0.019	-0.018	-0.183	-0.160	-0.085	0.101	0.202
F97	0.820	0.753	0.627	0.628	0.707	0.096	0.193
F98	0.075	-0.133	0.092	0.028	0.016	0.103	0.225
F99	0.283	0.399	0.095	-0.015	0.190	0.186	0.414

4.18 Reliabilitet - psykiska/psykosomatiska besvär

Bättre reliabilitet än vad någon av delskalorna uppnår separat.

4.19 Person fit

4.20 Item-parametrar

	Threshold 1	Threshold 2	Threshold 3	Threshold 4	Item location
F88	-1.09	-0.37	0.74	1.01	0.07
F91	-0.06	0.55	NA	NA	0.25
F92	-1.36	0.06	0.46	NA	-0.28
F93	-0.41	-0.01	0.36	NA	-0.02
F95	-0.10	0.13	0.41	NA	0.14
F97	0.36	1.06	1.52	NA	0.98
F98	-0.14	0.14	0.68	NA	0.23
F99	-0.32	0.60	1.03	NA	0.44

Ordinal sum score	Logit score	Logit std.error
0	-3.38	NA
1	-2.59	1.01
2	-1.88	0.72
3	-1.45	0.60
4	-1.14	0.52
5	-0.89	0.47
6	-0.68	0.44
7	-0.50	0.41
8	-0.34	0.40
9	-0.19	0.38
10	-0.04	0.38
11	0.10	0.37
12	0.24	0.37
13	0.37	0.37
14	0.51	0.38
15	0.66	0.38
16	0.81	0.39
17	0.97	0.41
18	1.14	0.43
19	1.34	0.46
20	1.58	0.51
21	1.87	0.58
22	2.27	0.70
23	2.94	0.99
24	3.69	NA

4.21 Exempel med single-item vs index

Data från enbart 2020.

OBS! Viktigt att komma ihåg att höga värden = hög risk, vilket även gäller svar på enskilda frågor. En positiv fråga som F99 har alltså omvända svarskategorier (3 och 4 sammanslagna):

3-4 - Sällan / Någon enstaka gång
2 - Ibland
1 - Ganska ofta
0 - Väldigt ofta

4.21.1 Distribution med ej omkodade svarskategorier

4.22 Jämförelser befintligt och nytt index

Rapporter utifrån Stockholmsenkäten har hittills räknat samman ett index för “Psykisk hälsa”, baserat på enkätsvar för de fem items som i denna analys återfinns under rubriken “Psykosomatiska besvär”

itemnr	item
F88	Hur ofta har du haft huvudvärk detta läsår?
F91	Hur ofta har du dålig aptit?
F93	Hur ofta har du under detta läsår haft ”nervös mage” (t.ex. magknip, magkramper, orolig mage, illamående, gaser, förstoppning eller diarré)?
F95	Hur ofta har du under detta läsår haft svårt att somna?
F98	Hur ofta har det hänt under detta läsår att du sovit oroligt och vaknat under natten?

Indexberäkningen som använts utgår från att svaren översätts till siffror och sedan beräknas ett medelvärde av alla items. Lägsta svarsalternativet (“Aldrig”) ersätts med siffran 100, näst lägsta med 75, och så vidare. Det innebär att ett högt värde motsvarar låg förekomst av besvär.

I Stockholm Stads rapport för år 2022 återges resultatet på detta vis:

Vi kan återskapa figuren utifrån data från 2020 för årskurs 9.

4.22.1 Nytt index (5 items)

Här utgår vi från samma fem items som i det befintliga indexet, men kodar om svarskategorierna som inte fungerade som tänkt, och estimerar fram ett indexvärde för varje individ utifrån Rasch-parametrarna. För jämförbarhet skalas sedan mätvärdet om till att omfånget 0-100.

Frågorna mäter i huvudsak besvär, vilket medfört att indexet uppkallats efter det. För jämförbarhet med det befintliga indexet “psykisk hälsa”, har mätvärden reverserats, så högre värden = lägre nivåer av besvär. Samma gäller indexet med 8 items.

4.22.2 Nytt index (8 items)

Det index som både representerar psykosomatiska och psykiska besvär innehåller 8 frågor, och beräknas utifrån items efter korrigering av svarskategorier.

itemnr	item
F88	Hur ofta har du haft huvudvärk detta läsår?
F91	Hur ofta har du dålig aptit?
F92	Hur mycket skulle du vilja ändra på dig själv?
F93	Hur ofta har du under detta läsår haft ”nervös mage” (t.ex. magknip, magkramper, orolig mage, illamående, gaser, förstoppning eller diarré)?
F95	Hur ofta har du under detta läsår haft svårt att somna?
F97	Känner du dig slö och olustig?
F98	Hur ofta har det hänt under detta läsår att du sovit oroligt och vaknat under natten?
F99	Hur ofta tycker du att det är riktigt härligt att leva?

4.22.3 Indexvärde över tid, åk 9

4.22.4 Fördelningar

    PSFindex     
 Min.   :  0.00  
 1st Qu.: 40.00  
 Median : 55.00  
 Mean   : 55.49  
 3rd Qu.: 75.00  
 Max.   :100.00

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
   0.00   40.00   60.00   57.54   75.00  100.00

  PSMscore100    
 Min.   :  0.00  
 1st Qu.: 41.00  
 Median : 51.00  
 Mean   : 50.29  
 3rd Qu.: 62.00  
 Max.   :100.00

  PS8score100    
 Min.   :  0.00  
 1st Qu.: 43.00  
 Median : 50.00  
 Mean   : 50.87  
 3rd Qu.: 58.00  
 Max.   :100.00

4.22.5 Violin- & boxplot jämförelse

4.22.5.1 Fördelat på kön

4.22.6 Tak-/golveffekter

PSFindex	n	Procent
0	577	0.7
5	865	1.0
10	1213	1.4
15	1654	1.9
20	2332	2.6
25	2937	3.3
30	3580	4.0
35	4307	4.9
40	5332	6.0
45	5841	6.6
50	6639	7.5
55	7077	8.0
60	7320	8.3
65	7190	8.1
70	7028	7.9
75	6367	7.2
80	5752	6.5
85	4339	4.9
90	3362	3.8
95	2271	2.6
100	2537	2.9

PSMscore100	n	Procent
0	1958	2.0
18	2503	2.5
26	3512	3.6
32	4807	4.9
37	5733	5.8
41	6804	6.9
44	8239	8.4
48	9286	9.4
51	9385	9.5
54	9501	9.6
58	9154	9.3
62	8324	8.5
66	7015	7.1
72	5374	5.5
81	3564	3.6
100	3307	3.4

PS8score100	n	Procent
0	338	0.4
15	572	0.6
22	876	0.9
27	1275	1.3
31	1753	1.8
34	2293	2.4
36	2832	3.0
39	3543	3.7
41	3954	4.1
43	4712	4.9
45	5401	5.6
47	5822	6.1
48	6385	6.7
50	6624	6.9
52	6834	7.1
54	6938	7.2
56	6521	6.8
58	6218	6.5
61	5801	6.0
64	5021	5.2
67	4096	4.3
71	3373	3.5
76	2297	2.4
84	1467	1.5
100	1008	1.1

4.23 Programvara som använts för analyserna

Package	Version	Citation
arrow	10.0.0	Richardson et al. (2022)
base	4.2.2	R Core Team (2022)
car	3.1.1	Fox and Weisberg (2019)
catR	3.17	Magis and Raîche (2012); Magis and Barrada (2017)
colorspace	2.0.3	Zeileis, Hornik, and Murrell (2009); Stauffer et al. (2009); Zeileis et al. (2020)
cowplot	1.1.1	Wilke (2020)
eRm	1.0.2	Mair and Hatzinger (2007b); Mair and Hatzinger (2007a); Hatzinger and Rusch (2009); Rusch, Maier, and Hatzinger (2013); Koller, Maier, and Hatzinger (2015); Debelak and Koller (2019); Mair, Hatzinger, and Maier (2021)
extrafont	0.18	Chang (2022)
foreach	1.5.2	Microsoft and Weston (2022)
formattable	0.2.1	Ren and Russell (2021)
ggdist	3.2.0	Kay (2022)
gghalves	0.1.4	Tiedemann (2022)
ggpp	0.4.5	Aphalo (2022)
ggrepel	0.9.2	Slowikowski (2023)
glue	1.6.2	Hester and Bryan (2022)
grateful	0.1.11	Rodríguez-Sánchez, Jackson, and Hutchins (2022)
HH	3.1.49	Heiberger and Holland (2004); Heiberger and Robbins (2014); Heiberger and Holland (2015); Heiberger (2022)
kableExtra	1.3.4	Zhu (2021)
knitr	1.41	Xie (2014); Xie (2015); (knitr2022?)
matrixStats	0.63.0	Bengtsson (2022)
mirt	1.37.1	Chalmers (2012)
psych	2.2.9	Revelle (2022)
psychotree	0.16.0	Trepte and Verbeet (2010); Strobl, Wickelmaier, and Zeileis (2011); Strobl, Kopf, and Zeileis (2015); Komboz, Zeileis, and Strobl (2018); Wickelmaier and Zeileis (2018)
reshape	0.8.9	Wickham (2007)
RISEkbmRasch	0.1.8.1	Johansson (2023)
rmarkdown	2.19	Xie, Allaire, and Grolemund (2018); Xie, Dervieux, and Riederer (2020); (rmarkdown2022?)
tidyverse	1.3.2	Wickham et al. (2019)

4.24 Referenser

Aphalo, Pedro J. 2022. Ggpp: Grammar Extensions to ’Ggplot2’. https://CRAN.R-project.org/package=ggpp.

Bengtsson, Henrik. 2022. matrixStats: Functions That Apply to Rows and Columns of Matrices (and to Vectors). https://CRAN.R-project.org/package=matrixStats.

Chalmers, R. Philip. 2012. “mirt: A Multidimensional Item Response Theory Package for the R Environment.” Journal of Statistical Software 48 (6): 1–29. https://doi.org/10.18637/jss.v048.i06.

Chang, Winston. 2022. Extrafont: Tools for Using Fonts. https://CRAN.R-project.org/package=extrafont.

Debelak, Rudolf, and Ingrid Koller. 2019. “Testing the Local Independence Assumption of the Rasch Model With Q3-Based Nonparametric Model Tests.” Applied Psychological Measurement. https://doi.org/10.1177/0146621619835501.

Fox, John, and Sanford Weisberg. 2019. An R Companion to Applied Regression. Third. Thousand Oaks CA: Sage. https://socialsciences.mcmaster.ca/jfox/Books/Companion/.

Hatzinger, Reinhold, and Thomas Rusch. 2009. “IRT models with relaxed assumptions in eRm: A manual-like instruction.” Psychology Science Quarterly 51.

Heiberger, Richard M. 2022. HH: Statistical Analysis and Data Display: Heiberger and Holland. https://CRAN.R-project.org/package=HH.

Heiberger, Richard M., and Burt Holland. 2004. Statistical Analysis and Data Display: An Intermediate Course with Examples in S-Plus, R, and SAS. First. Springer-Verlag, New York. https://link.springer.com/book/10.1007/978-1-4757-4284-8.

———. 2015. Statistical Analysis and Data Display: An Intermediate Course with Examples in R. Second. Springer-Verlag, New York. https://link.springer.com/book/10.1007/978-1-4939-2122-5.

Heiberger, Richard M., and Naomi B. Robbins. 2014. “Design of Diverging Stacked Bar Charts for Likert Scales and Other Applications.” Journal of Statistical Software 57 (5): 1–32. https://doi.org/10.18637/jss.v057.i05.

Hester, Jim, and Jennifer Bryan. 2022. Glue: Interpreted String Literals. https://CRAN.R-project.org/package=glue.

Johansson, Magnus. 2023. RISEkbmRasch: Psychometric Analysis in r with Rasch Measurement Theory. https://github.com/pgmj/RISEkbmRasch.

Kay, Matthew. 2022. ggdist: Visualizations of Distributions and Uncertainty. https://doi.org/10.5281/zenodo.3879620.

Koller, Ingrid, Marco Johannes Maier, and Reinhold Hatzinger. 2015. “An Empirical Power Analysis of Quasi-Exact Tests for the Rasch Model: Measurement Invariance in Small Samples.” Methodology 11. https://doi.org/10.1027/1614-2241/a000090.

Komboz, Basil, Achim Zeileis, and Carolin Strobl. 2018. “Tree-Based Global Model Tests for Polytomous Rasch Models.” Educational and Psychological Measurement 78 (1): 128–66. https://doi.org/10.1177/0013164416664394.

Magis, David, and Juan Ramon Barrada. 2017. “Computerized Adaptive Testing with R: Recent Updates of the Package catR.” Journal of Statistical Software, Code Snippets 76 (1): 1–19. https://doi.org/10.18637/jss.v076.c01.

Magis, David, and Gilles Raîche. 2012. “Random Generation of Response Patterns Under Computerized Adaptive Testing with the R Package catR.” Journal of Statistical Software 48 (8): 1–31. https://doi.org/10.18637/jss.v048.i08.

Mair, Patrick, and Reinhold Hatzinger. 2007a. “CML based estimation of extended Rasch models with the eRm package in R.” Psychology Science 49.

———. 2007b. “Extended Rasch modeling: The eRm package for the application of IRT models in R.” Journal of Statistical Software 20. https://www.jstatsoft.org/v20/i09.

Mair, Patrick, Reinhold Hatzinger, and Marco Johannes Maier. 2021. eRm: Extended Rasch Modeling. https://cran.r-project.org/package=eRm.

Microsoft, and Steve Weston. 2022. Foreach: Provides Foreach Looping Construct. https://CRAN.R-project.org/package=foreach.

R Core Team. 2022. R: A Language and Environment for Statistical Computing. Vienna, Austria: R Foundation for Statistical Computing. https://www.R-project.org/.

Ren, Kun, and Kenton Russell. 2021. Formattable: Create ’Formattable’ Data Structures. https://CRAN.R-project.org/package=formattable.

Revelle, William. 2022. Psych: Procedures for Psychological, Psychometric, and Personality Research. Evanston, Illinois: Northwestern University. https://CRAN.R-project.org/package=psych.

Richardson, Neal, Ian Cook, Nic Crane, Dewey Dunnington, Romain François, Jonathan Keane, Dragoș Moldovan-Grünfeld, Jeroen Ooms, and Apache Arrow. 2022. Arrow: Integration to ’Apache’ ’Arrow’. https://CRAN.R-project.org/package=arrow.

Rodríguez-Sánchez, Francisco, Connor P. Jackson, and Shaurita D. Hutchins. 2022. Grateful: Facilitate Citation of r Packages. https://github.com/Pakillo/grateful.

Rusch, Thomas, Marco Johannes Maier, and Reinhold Hatzinger. 2013. “Linear logistic models with relaxed assumptions in R.” In Algorithms from and for Nature and Life, edited by Berthold Lausen, Dirk van den Poel, and Alfred Ultsch. Studies in Classification, Data Analysis, and Knowledge Organization. New York: Springer. https://doi.org/10.1007/978-3-319-00035-0_34.

Slowikowski, Kamil. 2023. Ggrepel: Automatically Position Non-Overlapping Text Labels with ’Ggplot2’. https://CRAN.R-project.org/package=ggrepel.

Stauffer, Reto, Georg J. Mayr, Markus Dabernig, and Achim Zeileis. 2009. “Somewhere over the Rainbow: How to Make Effective Use of Colors in Meteorological Visualizations.” Bulletin of the American Meteorological Society 96 (2): 203–16. https://doi.org/10.1175/BAMS-D-13-00155.1.

Strobl, Carolin, Julia Kopf, and Achim Zeileis. 2015. “Rasch Trees: A New Method for Detecting Differential Item Functioning in the Rasch Model.” Psychometrika 80 (2): 289–316. https://doi.org/10.1007/s11336-013-9388-3.

Strobl, Carolin, Florian Wickelmaier, and Achim Zeileis. 2011. “Accounting for Individual Differences in Bradley-Terry Models by Means of Recursive Partitioning.” Journal of Educational and Behavioral Statistics 36 (2): 135–53. https://doi.org/10.3102/1076998609359791.

Tiedemann, Frederik. 2022. Gghalves: Compose Half-Half Plots Using Your Favourite Geoms. https://CRAN.R-project.org/package=gghalves.

Trepte, Sabine, and Markus Verbeet, eds. 2010. Allgemeinbildung in Deutschland – Erkenntnisse Aus Dem SPIEGEL Studentenpisa-Test. Wiesbaden: VS Verlag.

Wickelmaier, Florian, and Achim Zeileis. 2018. “Using Recursive Partitioning to Account for Parameter Heterogeneity in Multinomial Processing Tree Models.” Behavior Research Methods 50 (3): 1217–33. https://doi.org/10.3758/s13428-017-0937-z.

Wickham, Hadley. 2007. “Reshaping Data with the Reshape Package.” Journal of Statistical Software 21 (12). https://www.jstatsoft.org/v21/i12/.

Wickham, Hadley, Mara Averick, Jennifer Bryan, Winston Chang, Lucy D’Agostino McGowan, Romain François, Garrett Grolemund, et al. 2019. “Welcome to the tidyverse.” Journal of Open Source Software 4 (43): 1686. https://doi.org/10.21105/joss.01686.

Wilke, Claus O. 2020. Cowplot: Streamlined Plot Theme and Plot Annotations for ’Ggplot2’. https://CRAN.R-project.org/package=cowplot.

Xie, Yihui. 2014. “Knitr: A Comprehensive Tool for Reproducible Research in R.” In Implementing Reproducible Computational Research, edited by Victoria Stodden, Friedrich Leisch, and Roger D. Peng. Chapman; Hall/CRC.

———. 2015. Dynamic Documents with R and Knitr. 2nd ed. Boca Raton, Florida: Chapman; Hall/CRC. https://yihui.org/knitr/.

Xie, Yihui, J. J. Allaire, and Garrett Grolemund. 2018. R Markdown: The Definitive Guide. Boca Raton, Florida: Chapman; Hall/CRC. https://bookdown.org/yihui/rmarkdown.

Xie, Yihui, Christophe Dervieux, and Emily Riederer. 2020. R Markdown Cookbook. Boca Raton, Florida: Chapman; Hall/CRC. https://bookdown.org/yihui/rmarkdown-cookbook.

Zeileis, Achim, Jason C. Fisher, Kurt Hornik, Ross Ihaka, Claire D. McWhite, Paul Murrell, Reto Stauffer, and Claus O. Wilke. 2020. “colorspace: A Toolbox for Manipulating and Assessing Colors and Palettes.” Journal of Statistical Software 96 (1): 1–49. https://doi.org/10.18637/jss.v096.i01.

Zeileis, Achim, Kurt Hornik, and Paul Murrell. 2009. “Escaping RGBland: Selecting Colors for Statistical Graphics.” Computational Statistics & Data Analysis 53 (9): 3259–70. https://doi.org/10.1016/j.csda.2008.11.033.

Zhu, Hao. 2021. kableExtra: Construct Complex Table with ’Kable’ and Pipe Syntax. https://CRAN.R-project.org/package=kableExtra.

--- title: "Psykiska/psykosomatiska besvär" title-block-banner: "#009ca6" title-block-banner-color: "#FFFFFF" author: name: Magnus Johansson affiliation: RISE Research Institutes of Sweden affiliation-url: https://ri.se/shic orcid: 0000-0003-1669-592X date: last-modified format: html: toc: true toc-depth: 3 toc-title: "Innehållsförteckning" embed-resources: true standalone: true page-layout: full logo: rise_logo_quarto.png mainfont: 'Lato' monofont: 'Roboto Mono' code-overflow: wrap code-tools: true code-fold: true number-sections: true #fig-dpi: 250 layout-align: left linestretch: 1.6 theme: materia pdf: papersize: a4 documentclass: article #article, report or book classoption: [twocolumn, portrait] revealjs: theme: default logo: rise_logo_quarto.png chalkboard: false standalone: true embed-resources: true # footer: 'Material skapat av magnus.p.johansson@ri.se' mainfont: 'Lato' slide-level: 4 scrollable: true smaller: false execute: echo: false warning: false message: false cache: true editor_options: markdown: wrap: 72 chunk_output_type: inline bibliography: grateful-refs.bib --- ```{r} #| label: recoderawdata #| include: false # # koda om svaren för items som ingår i psykiska/psykosomatiska besvär, F88-F99 i data, fråga 90-101 i PDF # # variabler df[289:300] i datafil. # # låg poäng = låg risk # df$F88<-recode(df$F88,"'Aldrig'=1;'Ungefär 1 gång/termin'=2;'Ungefär 1 gång/månad'=3;'Ungefär 1 gång/vecka'=4;'Flera gånger i veckan'=5",as.factor=FALSE) # df$F89<-recode(df$F89,"'Väldigt ofta'=5;'Ganska ofta'=4;'Ibland'=3;'Någon enstaka gång'=2;'Sällan'=1",as.factor=FALSE) # df$F90<-recode(df$F90,"'Sällan'=1;'Någon enstaka gång'=2;'Ibland'=3;'Ganska ofta'=4;'Väldigt ofta'=5",as.factor=FALSE) # df$F91<-recode(df$F91,"'Aldrig'=1;'Ungefär 1 gång/termin'=2;'Ungefär 1 gång/månad'=3;'Ungefär 1 gång/vecka'=4;'Flera gånger i veckan'=5",as.factor=FALSE) # df$F92<-recode(df$F92,"'Inte alls'=1;'Ganska lite'=2;'En del'=3;'Ganska mycket'=4;'Väldigt mycket'=5",as.factor=FALSE) # df$F93<-recode(df$F93,"'Aldrig'=1;'Ungefär 1 gång/termin'=2;'Ungefär 1 gång/månad'=3;'Ungefär 1 gång/vecka'=4;'Flera gånger i veckan'=5",as.factor=FALSE) # df$F94<-recode(df$F94,"'Väldigt ofta'=5;'Ganska ofta'=4;'Ibland'=3;'Någon enstaka gång'=2;'Nästan aldrig'=1",as.factor=FALSE) # df$F95<-recode(df$F95,"'Aldrig'=1;'Ungefär 1 kväll/termin'=2;'Ungefär 1 kväll/månad'=3;'Ungefär 1 kväll/vecka'=4;'Flera gånger i veckan'=5",as.factor=FALSE) # df$F96<-recode(df$F96,"'Nästan aldrig'=5;'Någon enstaka gång'=4;'Ibland'=3;'Ganska ofta'=2;'Oftast'=1",as.factor=FALSE) # df$F97<-recode(df$F97,"'Sällan'=1;'Någon enstaka gång'=2;'Ibland'=3;'Ganska ofta'=4;'Väldigt ofta'=5",as.factor=FALSE) # df$F98<-recode(df$F98,"'Aldrig'=1;'Ungefär 1 natt/termin'=2;'Ungefär 1 natt/månad'=3;'Ungefär 1 natt/vecka'=4;'Flera nätter i veckan'=5",as.factor=FALSE) # df$F99<-recode(df$F99,"'Sällan'=5;'Någon enstaka gång'=4;'Ibland'=3;'Ganska ofta'=2;'Väldigt ofta'=1",as.factor=FALSE) # # # flytta ankare från 1 till 0 för lägsta kategori, behövs för vissa Rasch-program # for (i in 289:300) { # df[,i]<-recode(df[,i],"1=0;2=1;3=2;4=3;5=4",as.factor=FALSE) # } ``` ```{r} #| label: setup #| code-fold: false #| include: false # two packages below require that you use devtools to install them manually: # first install devtools by # install.packages('devtools') library(arrow) library(ggrepel) library(car) library(grateful) # devtools::install_github("Pakillo/grateful") library(kableExtra) library(readxl) library(tidyverse) library(eRm) library(mirt) library(psych) library(ggplot2) library(psychotree) library(matrixStats) library(reshape) library(knitr) library(cowplot) library(formattable) library(RISEkbmRasch) # devtools::install_github("pgmj/RISEkbmRasch") library(HH) library(glue) library(foreach) ### some commands exist in multiple packages, here we define preferred ones that are frequently used select <- dplyr::select count <- dplyr::count recode <- car::recode rename <- dplyr::rename ### set up color palette based on RISE guidelines RISEprimGreen <- "#009ca6" RISEprimRed <- "#e83c63" RISEprimYellow <- "#ffe500" RISEprimGreenMid <- "#8dc8c7" RISEprimRedMid <- "#f5a9ab" RISEprimYellowMid <- "#ffee8d" RISEprimGreenLight <- "#ebf5f0" RISEprimRedLight <- "#fde8df" RISEprimYellowLight <- "#fff7dd" RISEcompPurple <- "#482d55" RISEcompGreenDark <- "#0e4e65" RISEgrey1 <- "#f0f0f0" RISEgrey2 <- "#c8c8c8" RISEgrey3 <- "#828282" RISEgrey4 <- "#555555" # set some colors used later cutoff_line <- RISEprimRed dot_color <- "black" backg_color <- RISEprimGreenLight # set fontsize for all tables r.fontsize <- 15 ### first we pre-set our chosen cut-off values for some commonly used indices: msq_min <- 0.7 msq_max <- 1.3 zstd_min <- -2 zstd_max <- 2 loc_dep <- 0.2 # above average residual correlation dif_dif <- 0.5 # logits difference between groups in average item location (DIF) ### zstd is inflated with large samples (N > 500). Reduce sample size to jz and ### run analysis yz random samples to get average ZSTD jz = 300 # number to include in dataset yz = 10 # number of random samples # import item information itemlabels<-read_excel("../../data/PSFitems.xls") # read recoded dataset # df <- read.csv("C:/Users/magnuspjo/OneDrive - RISE/Dokument/Länsstyrelsen/Stockholmsenkäten2022/data/PSFalldata.csv", fileEncoding = "ISO-8859-1") df.all <- read_parquet("../../data/2022-08-22 sthlmsenkat data.parquet") df <- df.all %>% select(itemlabels$itemnr, Kön, ARSKURS, ar) # create dataframe with 2014 data with all variables (post recode) df.2014 <- subset(df, ar == "2014") df.all.years <- df df.omit.na <- na.omit(df.2014) df.omit.na$ar <- NULL # create DIF variables dif.gender <- df.omit.na$Kön df.omit.na$Kön <- NULL dif.arskurs <- df.omit.na$ARSKURS df.omit.na$ARSKURS <- NULL # prepare for dif between years df.dif.years <- df.all.years %>% select(starts_with("F"), ar) %>% na.omit() dif.year <- df.dif.years$ar df.dif.years$ar <- NULL # df.dif.years can later be used for DIF analysis of years ``` ## Bakgrund Item/frågor har etiketter F88-F99 i datafilen, och motsvaras av fråga 90-101 i PDF-filen med frågor. Samtliga frågor har fem svarskategorier, vilka varierar mellan frågorna. Fem frågor har svarskategorier från "Aldrig" till "Flera gånger i veckan". Sex frågor har från "Sällan" till "Väldigt ofta", och en från "Inte alls" till "Väldigt mycket". Svarsdata har kodats så att högre poäng innebär mera besvär/högre risk. Sektionen i enkäten inleds med meningen: "NÅGRA FRÅGOR OM HUR DU MÅR". ## Lista med enkätfrågorna ```{r} #| label: showitems #| tbl-cap-location: top RIlistitems(df.omit.na) ``` ### Demografi Vi har `r nrow(df.omit.na)` deltagare i samplet från 2014, och deras könsfördelning återges i tabellen nedan. Deltagare som saknar data på samtliga frågor är borttagna ur analysen. ## Deskriptiva data ### Demografi ```{r} #| label: descriptives1 #| layout-ncol: 2 RIdemographics(dif.gender, "Kön") RIdemographics(dif.arskurs, "Årskurs") ``` ### Item-data :::: column-page-inset-left ::: panel-tabset #### Tile plot ```{r} #| label: descriptives2 RItileplot(df.omit.na) ``` #### Stacked bars ```{r} #| label: stack1 RIbarstack(df.omit.na) ``` #### Barplots {.scrollable} ```{r} #| label: alt-descriptives #| layout-ncol: 2 RIbarplot(df.omit.na) ``` ::: :::: ## Rasch-analys 1 samtliga items ```{r} #| echo: false #| column: margin RIlistItemsMargin(df.omit.na, fontsize = 12) ``` :::: column-page-inset-left ::: panel-tabset ### Item fit ```{r} RIitemfitPCM2(df.omit.na, 300, 32, 8) ``` ### PCA ```{r} #| tbl-cap: "PCA of Rasch model residuals" RIpcmPCA(df.omit.na) ``` ### Loadings 1st contrast ```{r} RIloadLoc(df.omit.na) ``` ### Residualkorrelationer ```{r} RIresidcorr(df.omit.na, cutoff = 0.2) ``` ### Targeting ```{r} #| fig-height: 7 RItargeting(df.omit.na) ``` ### Itemhierarki ```{r} #| fig-height: 7 RIitemHierarchy(df.omit.na) ``` ### Svarskategorier ```{r} #| include: false mirt.rasch <- mirt(df.omit.na, model=1, itemtype='Rasch') # unidimensional Rasch model ``` ```{r} plot(mirt.rasch, type="trace") ``` ::: :::: PCA på residualer från Rasch-modellen indikerar möjlig multidimensionalitet. Utifrån faktorladdningarna på första residualkontrasten ser vi två potentiella kluster i data. Det ena betecknas av de psykosomatiska frågorna, det andra av psykiska besvär. Vi tittar på klustren separat. ## Rasch-analys 1 - psykosomatiska besvär ```{r} #| column: margin items.psm <- c("F88","F91","F93","F95","F98") df.psm <- df.omit.na %>% select(any_of(items.psm)) RIlistItemsMargin(df.psm, fontsize = 13) ``` :::: column-page-inset-left ::: panel-tabset ### Item fit ```{r} RIitemfitPCM2(df.psm, 300, 32, 8) ``` ### PCA ```{r} #| tbl-cap: "PCA of Rasch model residuals" RIpcmPCA(df.psm) ``` ### Residualkorrelationer ```{r} RIresidcorr(df.psm, cutoff = 0.2) ``` ### Targeting ```{r} RItargeting(df.psm) ``` ### Itemhierarki ```{r} RIitemHierarchy(df.psm) ``` ### Svarskategorier ```{r} #| include: false mirt.rasch <- mirt(df.psm, model=1, itemtype='Rasch') # unidimensional Rasch model ``` ```{r} #| label: rasch2.rcat2 plot(mirt.rasch, type="trace") ``` ### Barplots {.scrollable} ```{r} #| layout-ncol: 2 for (i in 1:ncol(df.psm)) { barplot(table(df.psm[, i]), col = "#8dc8c7", main = names(df.psm[i]), ylab = "Number of responses", xlab = (itemlabels %>% filter(itemnr %in% names(df.psm)) %>% .[i,2])) } ``` ::: :::: Bortsett från svarskategorierna fungerar items acceptabelt. ### Omkodning av svarskategorier Vi behöver åtgärda flera items genom att slå samman svarskategorier: - F91: 1+2 och 3+4 - F93 och F98: 3+4 - F95: 0+1 ```{r} #| layout-ncol: 2 df.psm$F91 <- recode(df.psm$F91, "2=1;3=2;4=2", as.factor = FALSE) df.psm$F93 <- recode(df.psm$F93, "4=3", as.factor = FALSE) df.psm$F98 <- recode(df.psm$F98, "4=3", as.factor = FALSE) df.psm$F95 <- recode(df.psm$F95, "4=3;3=2;2=1;1=0", as.factor = FALSE) ``` ```{r} #| include: false mirt.rasch <- mirt(df.psm, model=1, itemtype='Rasch') # unidimensional Rasch model ``` ::: panel-tabset #### Svarskategorier ```{r} plot(mirt.rasch, type="trace") ``` #### Itemhierarki (med konfidensintervall runt svarströsklar) ```{r} RIitemHierarchy(df.psm) ``` ::: ## Rasch-analys 2 - psykosomatiska besvär Efter att ha åtgärdat svarskategorierna. ```{r} #| echo: false #| column: margin RIlistItemsMargin(df.psm, fontsize = 13) ``` :::: column-page-inset-left ::: panel-tabset ### Item fit ```{r} RIitemfitPCM2(df.psm, 300, 32, 8) ``` ### PCA ```{r} #| label: rasch3.pca #| tbl-cap: "PCA of Rasch model residuals" RIpcmPCA(df.psm) ``` ### Loadings 1st contrast ```{r} #| label: rasch3.load RIloadLoc(df.psm) ``` ### Residualkorrelationer ```{r} #| label: rasch3.rcorr RIresidcorr(df.psm, cutoff = 0.2) ``` ### Targeting ```{r} #| label: rasch3.targ RItargeting(df.psm) ``` ### Itemhierarki ```{r} RIitemHierarchy(df.psm) ``` ::: :::: ## Invarians-/DIF ### Kön ```{r} #| echo: false #| column: margin RIlistItemsMargin(df.psm, fontsize = 13) ``` :::: column-page-inset-left ::: panel-tabset #### Tabell ```{r} RIdifTable(df.psm, dif.gender) ``` #### Figur ```{r} RIdifFigure(df.psm, dif.gender) ``` ::: :::: Inga problem med DIF för något item gällande kön. ### Årskurs ```{r} #| echo: false #| column: margin RIlistItemsMargin(df.psm, fontsize = 13) ``` :::: column-page-inset-left ::: panel-tabset #### Tabell ```{r} #| label: dif1 RIdifTable(df.psm, dif.arskurs) ``` #### Figur ```{r} #| label: dif1.2 RIdifFigure(df.psm, dif.arskurs) ``` ::: :::: ### Årtal ```{r} #| echo: false #| column: margin RIlistItemsMargin(df.psm, fontsize = 13) ``` :::: column-page-inset-left ::: panel-tabset #### Tabell ```{r} #| label: difyear1 final.psm.items <- names(df.psm) # write.csv(final.psm.items, file = "2022-09-18_PSMfinalitems.csv") df.dif.years.psm <- df.dif.years %>% select(any_of(final.psm.items)) df.dif.years.psm$F91 <- recode(df.dif.years.psm$F91, "2=1;3=2;4=2", as.factor = FALSE) df.dif.years.psm$F93 <- recode(df.dif.years.psm$F93, "4=3", as.factor = FALSE) df.dif.years.psm$F98 <- recode(df.dif.years.psm$F98, "4=3", as.factor = FALSE) df.dif.years.psm$F95 <- recode(df.dif.years.psm$F95, "4=3;3=2;2=1;1=0", as.factor = FALSE) RIdifTable(df.dif.years.psm, dif.year) ``` #### Figur 1 ```{r} #| label: difyear1.2 RIdifFigure(df.dif.years.psm, dif.year) ``` #### Figur 2 ```{r} RIdifFigTime(df.dif.years.psm, dif.year) ``` ::: :::: Items är stabila och jämförbara över tid. ## Reliabilitet - psykosomatiska besvär ```{r} RItif(df.psm) ``` Vi har acceptabel reliabilitet för ca 68% av respondenterna. ## Item-parametrar ```{r} RIitemparams(df.dif.years.psm, "PsyksomItemParams.csv") ``` ## Transformeringstabell Med mätosäkerheter angivna som *Logit std.error*, där värden under 0.54 motsvarar reliabilitet över PSI = 0.7. ```{r} RIscoreSE(df.dif.years.psm) ``` ## Rasch-analys 1 - psykiska besvär ```{r} items.psm <- c("F88","F91","F93","F95","F98") df.psy <- df.omit.na %>% select(!any_of(items.psm)) ``` ```{r} #| echo: false #| column: margin RIlistItemsMargin(df.psy, fontsize = 13) ``` :::: column-page-inset-left ::: panel-tabset ### Item fit ```{r} #| label: raschpsy1.fit RIitemfitPCM2(df.psy, 300, 32, 8) ``` ### PCA ```{r} #| label: raschpsy1.pca #| tbl-cap: "PCA of Rasch model residuals" RIpcmPCA(df.psy) ``` ### Residualkorrelationer ```{r} #| label: raschpsy1.rcorr RIresidcorr(df.psy, cutoff = 0.2) ``` ### Targeting ```{r} #| label: raschpsy1.targ RItargeting(df.psy) ``` ### Itemhierarki ```{r} #| label: raschpsy1.targs RIitemHierarchy(df.psy) ``` ### Svarskategorier ```{r} #| label: raschpsy1.rcat1 #| include: false mirt.rasch <- mirt(df.psy, model=1, itemtype='Rasch') # unidimensional Rasch model ``` ```{r} #| label: raschpsy1.rcat2 plot(mirt.rasch, type="trace") ``` ### Barplots {.scrollable} ```{r} #| label: raschpsy1.raw #| layout-ncol: 2 for (i in 1:ncol(df.psy)) { barplot(table(df.psy[, i]), col = "#8dc8c7", main = names(df.psy[i]), ylab = "Number of responses", xlab = (itemlabels %>% filter(itemnr %in% names(df.psy)) %>% .[i,2])) } ``` ### Items ```{r} #| label: raschpsy1.items RIlistitems(df.psy) ``` ::: :::: Många items har problem med oordnade svarskategorier. Items 92 och 96 har en för stor residualkorrelation, men vi avvaktar med åtgärd tills svarskategorierna är åtgärdade. ## Omkodning av svarskategorier Vi behöver åtgärda flera items: - **F89, 90, 96**: 1+2 och 3+4 - **F92, 99**: 3+4 - **F97**: 0+1 (flera varianter testades, och ovanstående fungerade minst dåligt) ```{r} #| layout-ncol: 2 df.psy$F89 <- recode(df.psy$F89, "2=1;3=2;4=2", as.factor = FALSE) df.psy$F90 <- recode(df.psy$F90, "2=1;3=2;4=2", as.factor = FALSE) df.psy$F96 <- recode(df.psy$F96, "2=1;3=2;4=2", as.factor = FALSE) df.psy$F97 <- recode(df.psy$F97, "1=0;2=1;3=2;4=3", as.factor = FALSE) df.psy$F92 <- recode(df.psy$F92, "4=3", as.factor = FALSE) df.psy$F99 <- recode(df.psy$F99, "4=3", as.factor = FALSE) ``` ::: panel-tabset #### Svarskategorier ```{r} #| include: false mirt.rasch <- mirt(df.psy, model=1, itemtype='Rasch') # unidimensional Rasch model ``` ```{r} plot(mirt.rasch, type="trace") ``` #### Itemhierarki (med konfidensintervall runt svarströsklar) ```{r} RIitemHierarchy(df.psy) ``` ::: ## Rasch-analys 2 - psykiska besvär Efter att ha åtgärdat svarskategorierna. ```{r} #| echo: false #| column: margin RIlistItemsMargin(df.psy, fontsize = 13) ``` :::: column-page-inset-left ::: panel-tabset ### Item fit ```{r} #| label: raschpsy2.fit RIitemfitPCM2(df.psy, 300, 32, 8) ``` ### PCA ```{r} #| label: raschpsy2.pca #| tbl-cap: "PCA of Rasch model residuals" RIpcmPCA(df.psy) ``` ### Residualkorrelationer ```{r} #| label: raschpsy2.rcorr RIresidcorr(df.psy, cutoff = 0.2) ``` ### Targeting ```{r} #| label: raschpsy2.targ RItargeting(df.psy) ``` ### Itemhierarki ```{r} RIitemHierarchy(df.psy) ``` ::: :::: Vi har två residualkorrelationer ca 0.25 över medelvärdet för samtliga residualkorrelationer. - F96 tas bort (F92 behålls pga bättre targeting) - F90 tas bort (F89 behålls pga bättre targeting) ### Reliabilitet Även om vi inte undersökt DIF, vilket bör göras innan reliabiliteten bedöms, så har de påtagliga problemen med svarskategorierna medfört att vi kan ha såpass låg reliabilitet att det inte är meningsfullt med DIF-analysen. ```{r} #| label: raschpsy2.rel2 df.psy$F96 <- NULL df.psy$F90 <- NULL RItif(df.psy) ``` Eftersom många items uppvisade problem med svarskategorierna blir reliabiliteten låg. Vi provar att slå samman kvarvarande items från psykiska besvär med de items som utgör psykosomatiska besvär. ```{r} df.psf <- cbind(df.psm,df.psy) df.psf <- df.psf |> relocate(F92, .after = "F91") |> relocate(F97, .before = "F98") |> relocate(F89, .after = "F88") |> relocate(F94, .before = "F95") # psf.items <- names(df.psf) # # df.psf <- df.omit.na |> # select(any_of(psf.items)) ``` ## Rasch-analys 1 psykiska/psykosomatiska besvär ```{r} #| echo: false #| column: margin RIlistItemsMargin(df.psf, fontsize = 12) ``` :::: column-page-inset-left ::: panel-tabset ### Item fit ```{r} RIitemfitPCM2(df.psf, 300, 32, 8) ``` ### PCA ```{r} #| tbl-cap: "PCA of Rasch model residuals" RIpcmPCA(df.psf) ``` ### Loadings 1st contrast ```{r} RIloadLoc(df.psf) ``` ### Residualkorrelationer ```{r} RIresidcorr(df.psf, cutoff = 0.2) ``` ### Targeting ```{r} #| fig-height: 7 RItargeting(df.psf) ``` ### Itemhierarki ```{r} #| fig-height: 7 RIitemHierarchy(df.psf) ``` ### Svarskategorier ```{r} #| include: false mirt.rasch <- mirt(df.psf, model=1, itemtype='Rasch') # unidimensional Rasch model ``` ```{r} plot(mirt.rasch, type="trace") ``` ::: :::: ::: panel-tabset #### ICC plot ```{r} df.psf$F89 <- NULL df.psf$F94 <- recode(df.psf$F94, "4=3;3=2;2=1;1=0", as.factor = FALSE) df.erm <- PCM(df.psf) plotICC(df.erm, item.subset = "F94") ``` #### Konfidensintervall för svarströsklar ```{r} RIitemHierarchy(df.psf) ``` ::: F94 har fortfarande problem med svarskategorierna. Vi slår samman de två mittersta. ::: panel-tabset #### ICC plot ```{r} df.psf$F94 <- recode(df.psf$F94, "3=2;2=1", as.factor = FALSE) df.erm <- PCM(df.psf) plotICC(df.erm, item.subset = "F94") ``` #### Konfidensintervall för svarströsklar ```{r} RIitemHierarchy(df.psf) ``` ::: ## Rasch-analys 2 psykiska/psykosomatiska besvär ```{r} #| echo: false #| column: margin RIlistItemsMargin(df.psf, fontsize = 12) ``` :::: column-page-inset-left ::: panel-tabset ### Item fit ```{r} RIitemfitPCM2(df.psf, 300, 32, 8) ``` ### PCA ```{r} #| tbl-cap: "PCA of Rasch model residuals" RIpcmPCA(df.psf) ``` ### Loadings 1st contrast ```{r} RIloadLoc(df.psf) ``` ### Residualkorrelationer ```{r} RIresidcorr(df.psf, cutoff = 0.2) ``` ### Targeting ```{r} #| fig-height: 7 RItargeting(df.psf) ``` ### Itemhierarki ```{r} #| fig-height: 7 RIitemHierarchy(df.psf) ``` ### Svarskategorier ```{r} #| include: false mirt.rasch <- mirt(df.psf, model=1, itemtype='Rasch') # unidimensional Rasch model ``` ```{r} plot(mirt.rasch, type="trace") ``` ::: :::: F94 korrelerar för starkt med F92. Vi tar bort F94 p.g.a. sämre targeting och ZSTD. ```{r} df.psf$F94 <- NULL ``` ## Rasch-analys 3 psykiska/psykosomatiska besvär ```{r} #| echo: false #| column: margin RIlistItemsMargin(df.psf, fontsize = 12) ``` :::: column-page-inset-left ::: panel-tabset ### Item fit ```{r} RIitemfitPCM2(df.psf, 300, 32, 8) ``` ### PCA ```{r} #| tbl-cap: "PCA of Rasch model residuals" RIpcmPCA(df.psf) ``` ### Loadings 1st contrast ```{r} RIloadLoc(df.psf) ``` ### Residualkorrelationer ```{r} RIresidcorr(df.psf, cutoff = 0.2) ``` ### Targeting ```{r} #| fig-height: 6 RItargeting(df.psf) ``` ### Itemhierarki ```{r} #| fig-height: 6 RIitemHierarchy(df.psf) ``` ::: :::: Detta ser ut att fungera bra. Vi övergår till DIF-analys ## DIF/invarians ### Kön ```{r} #| echo: false #| column: margin RIlistItemsMargin(df.psf, 12) ``` :::: column-page-inset-left ::: panel-tabset #### Tabell ```{r} #| fig-height: 3 #dif.gender<-recode(dif.gender,"'Pojke'=1;'Flicka'=2",as.factor=FALSE) RIdifTable(df.psf, dif.gender) ``` #### Figur ```{r} RIdifFigure(df.psf, dif.gender) ``` #### Svarskategorier ```{r} RIdifFigThresh(df.psf, dif.gender) ``` ::: :::: F99 är enda item som går strax över 0.3 logits. Behöver ej åtgärdas. ### Årskurs ```{r} #| column: margin #| echo: false RIlistItemsMargin(df.psf, 12) ``` :::: column-page-inset-left ::: panel-tabset #### Tabell ```{r} #| fig-height: 3 RIdifTable(df.psf, dif.arskurs) ``` #### Figur ```{r} RIdifFigure(df.psf, dif.arskurs) ``` #### Svarskategorier ```{r} RIdifFigThresh(df.psf, dif.arskurs) ``` ::: :::: Inga skillnader mellan årskurser. ### Årtal ```{r} #| echo: false #| column: margin RIlistItemsMargin(df.psf, fontsize = 12) ``` :::: column-page-inset-left ::: panel-tabset #### Tabell ```{r} final.items.psf <- names(df.psf) #write.csv(final.items, file = "2022-09-16 IFoptimalItems.csv") df.dif.years <- df.dif.years %>% select(any_of(final.items.psf)) df.dif.years$F91 <- recode(df.dif.years$F91, "2=1;3=2;4=2", as.factor = FALSE) df.dif.years$F92 <- recode(df.dif.years$F92, "4=3", as.factor = FALSE) df.dif.years$F93 <- recode(df.dif.years$F93, "4=3", as.factor = FALSE) df.dif.years$F98 <- recode(df.dif.years$F98, "4=3", as.factor = FALSE) df.dif.years$F99 <- recode(df.dif.years$F99, "4=3", as.factor = FALSE) df.dif.years$F95 <- recode(df.dif.years$F95, "4=3;3=2;2=1;1=0", as.factor = FALSE) df.dif.years$F97 <- recode(df.dif.years$F97, "4=3;3=2;2=1;1=0", as.factor = FALSE) RIdifTable(df.dif.years, dif.year) ``` #### Figur items ```{r} RIdifFigure(df.dif.years, dif.year) ``` #### Över tid ```{r} RIdifFigTime(df.dif.years, dif.year) ``` #### Svarskategorier ```{r} RIdifFigThresh(df.dif.years, dif.year) ``` ::: :::: Items fungerar stabilt över tid. ### Interaktion årskurs och kön ```{r} #| column: margin #| echo: false RIlistItemsMargin(df.psf, 12) ``` ```{r} dfin <- df.psf df.tree <- data.frame(matrix(ncol = 0, nrow = nrow(dfin))) df.tree$difdata <- as.matrix(dfin) df.tree$dif.gender <- dif.gender df.tree$dif.arskurs <- dif.arskurs pctree.out <- pctree(difdata ~ dif.gender + dif.arskurs, data = df.tree) plot(pctree.out) ``` ```{r} cutoff <- 0.5 diffig <- itempar(pctree.out) %>% as.data.frame() %>% t() %>% as.data.frame() %>% mutate( `Mean location` = rowMeans(.), StDev = rowSds(as.matrix(.)) ) %>% rowwise() %>% mutate(MaxDiff = (max(c_across(c(1:(ncol(.) - 2))))) - min(c_across(c(1:(ncol(.) - 2))))) %>% ungroup() %>% mutate(across(where(is.numeric), round, 3)) %>% rownames_to_column(var = "Item") %>% mutate(Item = names(dfin)) %>% relocate(MaxDiff, .after = last_col()) formattable(diffig, list(MaxDiff = formatter("span", style = ~ style(color = ifelse(MaxDiff < -cutoff, "red", ifelse(MaxDiff > cutoff, "red", "black") )) ), formattable::area(col = 2:6) ~ color_tile(RISEprimYellowLight, RISEprimGreen) ), table.attr = "class=\"table table-striped\" style=\"font-size: 15px; font-family: Lato\"" ) ``` ## Reliabilitet - psykiska/psykosomatiska besvär ```{r} RItif(df.psf) ``` Bättre reliabilitet än vad någon av delskalorna uppnår separat. ## Person fit ```{r} RIpfit(df.psf) ``` ## Item-parametrar ```{r} RIitemparams(df.dif.years) itemlabels %>% filter(itemnr %in% names(df.dif.years)) %>% write_csv("PSFitemnr.csv") ``` ```{r} RIscoreSE(df.dif.years) ``` ## Exempel med single-item vs index Data från enbart 2020. OBS! Viktigt att komma ihåg att höga värden = hög risk, vilket även gäller svar på enskilda frågor. En positiv fråga som F99 har alltså omvända svarskategorier (3 och 4 sammanslagna): - 3-4 - Sällan / Någon enstaka gång - 2 - Ibland - 1 - Ganska ofta - 0 - Väldigt ofta ```{r} #| label: itemind1 #---- create df with only 2020 respondents as example---- df.if <- df %>% filter(ar == 2020) %>% select(any_of(names(df.psf)),Kön) %>% na.omit() F99o <- df.if$F99 # rcat2 <- c("F95","F97") # rcat3 <- c("F92","F93","F99") # # for (i in rcat2) { # df.if[[i]]<-recode(df.if[[i]],"1=0;2=1;3=2;4=3",as.factor=FALSE) # } # for (i in rcat3) { # df.if[[i]]<-recode(df.if[[i]],"4=3",as.factor=FALSE) # } df.if$F91 <- recode(df.if$F91, "2=1;3=2;4=2", as.factor = FALSE) df.if$F92 <- recode(df.if$F92, "4=3", as.factor = FALSE) df.if$F93 <- recode(df.if$F93, "4=3", as.factor = FALSE) df.if$F95 <- recode(df.if$F95, "4=3;3=2;2=1;1=0", as.factor = FALSE) df.if$F97 <- recode(df.if$F97, "4=3;3=2;2=1;1=0", as.factor = FALSE) df.if$F98 <- recode(df.if$F98, "4=3", as.factor = FALSE) df.if$F99 <- recode(df.if$F99, "4=3", as.factor = FALSE) df.if.gender <- df.if$Kön df.if$Kön <- NULL #---- estimate person locations---- library(catR) # create matrix with item parameters df.erm <- PCM(df.psf) item.estimates <- eRm::thresholds(df.erm) item_difficulty <- as.data.frame(item.estimates[["threshtable"]][["1"]]) item_difficulty$Location <- NULL items <- item_difficulty %>% mutate_if(is.character, as.numeric) %>% as.matrix() # loop through all participants to calculate theta for each one thetaEstScores <- c() #p1 <- c() for (i in 1:nrow(df.if)){ p1 <- as.numeric(as.vector(df.if[i,])) ptheta <- thetaEst(items, p1, model = "PCM", method = "ML") # several method options available for theta calculation thetaEstScores <- c(thetaEstScores,ptheta) } # # loop through all participants theta scores to calculate SE for each one # thetaEstSE <- c() # for (i in 1:length(thetaEstScores)) { # p1theta <- thetaEstScores[i] # p1 <- as.numeric(as.vector(df.if[i,])) # pthetaSE <- semTheta(thEst = p1theta, it = items, x = p1, model = "PCM", method = "ML") # several method options available for theta calculation # thetaEstSE <- c(thetaEstSE,pthetaSE) # } df.if$SumScores <- thetaEstScores df.if$Kön <- df.if.gender df.if$F99o <- F99o #write_parquet(df.if, sink = "PSF2020.parquet") #---- barplot for single item---- barplot(table(df.if$F99), col = "#8dc8c7", main = "Svarsfördelning för item F99") #---- visualize single item vs index score---- # some code from https://dallasnova.rbind.io/post/efficient-data-visualization-with-faded-raincloud-plots-delete-boxplot/ library(ggdist) # for shadeable density slabs library(gghalves) # for half-half geoms library(ggpp) # for position_dodge2nudge library(colorspace) # for lightening color palettes library(extrafont) # for Lato, RISE font library(stringr) # Setting colorblind-friendly palette cbPalette <-c("#999999","#E69F00", "#56B4E9","#009E73", "#F0E442", "#0072B2", "#D55E00","#CC79A7") cbPalette <- lighten(cbPalette, amount = 0.6, space = "HLS") #---- plot for index value distributions divided by gender---- ggplot(df.if, aes(x = Kön, y = SumScores)) + stat_slab(side = "right", show.legend = F, scale = 0.6, # defines the height that a slab can reach position = position_dodge(width=.6), # distance between elements for dodging aes(fill_ramp = stat(level), fill=Kön), .width = c(.50,.95,1)) + # set shading stat_summary(fun.data = "mean_cl_normal",show.legend = F, size = .4, position = position_dodge2nudge(x=.05,width = .8)) + # styling scale_fill_ramp_discrete(from='black', aesthetics = "fill_ramp")+ # set ramping color guides( # change name and display of legend elements color="none") + # suppresses color legend item) scale_colour_manual(values = cbPalette, aesthetics = c("colour","fill"))+ theme(plot.caption = element_text(face = "italic")) + #xlab(str_wrap("Svarskategorier för item F99", width = 40)) + ylab("Indexvärde") + ggtitle("Svarsfördelning för psykisk och psykosomatisk hälsa") + #labs(caption = "Punkterna visar medelvärden för indexvärde, fälten motsvarar 50% och 95% av distributionen.", # subtitle = "Item F99 - Hur ofta tycker du att det är riktigt härligt att leva?") + coord_flip() #---- plots for index value vs single item response ---- ggplot(df.if, aes(x = as.factor(F99), y = SumScores)) + #geom_violin() # density distribution slab #geom_boxplot(size = 0.2) + stat_slab(side = "right", show.legend = F, scale = 0.6, # defines the height that a slab can reach position = position_dodge(width=.6), # distance between elements for dodging aes(fill_ramp = stat(level), fill=as.factor(F99)), .width = c(.50,.95,1)) + # set shading stat_summary(fun.data = "mean_cl_normal", show.legend = F, size = .4, position = position_dodge2nudge(x=.05,width = .8)) + # styling scale_fill_ramp_discrete(from='black', aesthetics = "fill_ramp")+ # set ramping color guides( # change name and display of legend elements color="none") + # suppresses color legend item) scale_colour_manual(values = cbPalette, aesthetics = c("colour","fill"))+ theme(plot.caption = element_text(face = "italic")) + xlab(str_wrap("Svarskategorier för item F99", width = 40)) + ylab("Indexvärde") + ggtitle("Jämförelse av ett item och indexvärde") + labs(caption = "Punkterna visar medelvärden för indexvärde, fälten motsvarar 50% och 95% av distributionen.", subtitle = "Item F99 - Hur ofta tycker du att det är riktigt härligt att leva?") + coord_flip() ggplot(df.if, aes(x = as.factor(F99), y = SumScores)) + #geom_violin() # density distribution slab #geom_boxplot(size = 0.2) + stat_slab(side = "right", show.legend = T, scale = 0.6, # defines the height that a slab can reach position = position_dodge(width=.6), # distance between elements for dodging aes(fill_ramp = stat(level), fill=Kön), .width = c(.50,.95,1)) + # set shading stat_summary(fun.data = "mean_cl_normal",show.legend = F, size = .4, position = position_dodge2nudge(x=.05,width = .8)) + # styling scale_fill_ramp_discrete(from='black', aesthetics = "fill_ramp")+ # set ramping color guides( # change name and display of legend elements color="none") + # suppresses color legend item) scale_colour_manual(values = cbPalette, aesthetics = c("colour","fill"))+ theme(plot.caption = element_text(face = "italic")) + xlab(str_wrap("Svarskategorier för item F99", width = 40)) + ylab("Indexvärde") + ggtitle("Jämförelse av ett item och indexvärde") + labs(caption = "Punkterna visar medelvärden för indexvärde, fälten motsvarar 50% och 95% av distributionen.", subtitle = "Item F99 - Hur ofta tycker du att det är riktigt härligt att leva?") + coord_flip() # stat_dotsinterval(scale = 0.5, quantiles = 100, position = "dodge") + ``` ### Distribution med ej omkodade svarskategorier ```{r} #| label: testing barplot(table(df.if$F99o), col = "#8dc8c7", main = "Svarsfördelning för item F99 innan recode") #plotICC(df.ermo, item.subset = "F99") ggplot(df.if, aes(x = as.factor(F99o), y = SumScores)) + #geom_violin() # density distribution slab #geom_boxplot(size = 0.2) + stat_slab(side = "right", show.legend = F, scale = 0.6, # defines the height that a slab can reach position = position_dodge(width=.6), # distance between elements for dodging aes(fill_ramp = stat(level), fill=as.factor(F99o)), .width = c(.50,.95,1)) + # set shading stat_summary(fun.data = "mean_cl_normal", show.legend = F, size = .4, position = position_dodge2nudge(x=.05,width = .8)) + # styling scale_fill_ramp_discrete(from='black', aesthetics = "fill_ramp")+ # set ramping color guides( # change name and display of legend elements color="none") + # suppresses color legend item) scale_colour_manual(values = cbPalette, aesthetics = c("colour","fill"))+ theme(plot.caption = element_text(face = "italic")) + xlab(str_wrap("Svarskategorier för item F99", width = 40)) + ylab("Indexvärde") + ggtitle("Jämförelse av ett item och indexvärde") + labs(caption = "Punkterna visar medelvärden för indexvärde, fälten motsvarar 50% och 95% av distributionen.", subtitle = "Item F99o - Hur ofta tycker du att det är riktigt härligt att leva?") + coord_flip() ``` :::: column-page ## Jämförelser befintligt och nytt index Rapporter utifrån Stockholmsenkäten har hittills räknat samman ett index för "Psykisk hälsa", baserat på enkätsvar för de fem items som i denna analys återfinns under rubriken "Psykosomatiska besvär" ```{r} items.psm <- c("F88","F91","F93","F95","F98") df.index <- df.all %>% select(items.psm, Kön, ARSKURS, ar, SkolSDO) RIlistitems(df.index) ``` Indexberäkningen som använts utgår från att svaren översätts till siffror och sedan beräknas ett medelvärde av alla items. Lägsta svarsalternativet ("Aldrig") ersätts med siffran 100, näst lägsta med 75, och så vidare. Det innebär att ett högt värde motsvarar låg förekomst av besvär. I [Stockholm Stads rapport för år 2022](https://start.stockholm/globalassets/aktuellt/nyheter/psykisk-halsa-grundskolans-arskurs-9-2022.pdf) återges resultatet på detta vis: ![](Index0-100.png) Vi kan återskapa figuren utifrån data från 2020 för årskurs 9. ```{r} #| fig-width: 12 #| fig-height: 6 df.indexR <- df.index %>% mutate(across(items.psm, ~ recode(.x, "0=100;1=75;2=50;3=25;4=0"))) %>% na.omit() %>% mutate(PSFindex = rowMeans(across(items.psm))) library(ggchicklet) # create a wide palette based on RISE colors RISEpalette1 <- colorRampPalette(colors = c("#009ca6", "#e83c63", "#ffe500"))(6) # "#009CA6" "#5C758B" "#B94F70" "#EC5D4F" "#F5A127" "#FFE500" RISEpalette2 <- colorRampPalette(colors = c("#009ca6", "#e83c63", "#ffe500"))(8) df.indexR %>% filter(ar == 2020) %>% filter(Kön %in% c("Pojke", "Flicka")) %>% filter(!is.na(SkolSDO)) %>% filter(ARSKURS == "Åk 9") %>% group_by(SkolSDO, Kön) %>% summarise(PSFmean = round(mean(PSFindex, na.rm = T), 0)) %>% ggplot(aes(y = PSFmean, x = SkolSDO, fill = Kön, color = Kön)) + geom_chicklet( radius = grid::unit(1.5, "mm"), position = "dodge" ) + geom_hline(data = . %>% filter(Kön == "Pojke"), aes(yintercept = mean(PSFmean)), linetype = 2, color = "darkgrey") + geom_hline(data = . %>% filter(Kön == "Flicka"), aes(yintercept = mean(PSFmean)), linetype = 3, color = "black") + geom_text(aes(label = PSFmean, y = PSFmean + 2), position = position_dodge(width = .9), color = "black", size = 3.8 ) + # annotate("text", label = "Medelvärde", y = 57, x = 3, color = "darkgrey") + scale_fill_manual("Kön", values = RISEpalette1[c(1, 5)], aesthetics = c("color", "fill")) + scale_x_discrete("Stadsdel", guide = guide_axis(n.dodge = 3)) + scale_y_continuous(limits = c(0,100)) + theme_minimal(base_size = 12) + theme_rise(axissize = 14, titlesize = 16) + theme(text = element_text(family = "Lato")) + ylab("Medelvärde") + labs( title = "Psykisk hälsa indexvärde", subtitle = "Befintligt index, 2020, åk 9", caption = "Streckade linjer betecknar medelvärde för samtliga stadsdelar" ) ``` ### Nytt index (5 items) Här utgår vi från samma fem items som i det befintliga indexet, men kodar om svarskategorierna som inte fungerade som tänkt, och estimerar fram ett indexvärde för varje individ utifrån Rasch-parametrarna. För jämförbarhet skalas sedan mätvärdet om till att omfånget 0-100. Frågorna mäter i huvudsak besvär, vilket medfört att indexet uppkallats efter det. För jämförbarhet med det befintliga indexet "psykisk hälsa", har mätvärden reverserats, så högre värden = lägre nivåer av besvär. Samma gäller indexet med 8 items. ```{r} # read item parameters from previous analysis itemParams.psm <- read_csv("PsyksomItemParams.csv") %>% as.matrix() # create id variable to re-join thetas df.index <- df.index %>% mutate(id = seq.int(nrow(.))) # recode items to correct response categories df.indexNew <- df.index %>% select(all_of(c(items.psm,"id"))) %>% na.omit() df.indexNew$F91 <- recode(df.indexNew$F91, "2=1;3=2;4=2", as.factor = FALSE) df.indexNew$F93 <- recode(df.indexNew$F93, "4=3", as.factor = FALSE) df.indexNew$F98 <- recode(df.indexNew$F98, "4=3", as.factor = FALSE) df.indexNew$F95 <- recode(df.indexNew$F95, "4=3;3=2;2=1;1=0", as.factor = FALSE) #RItileplot(df.indexNew %>% select(!id)) #itemParams.psm df.indexNew$PSMscore <- df.indexNew %>% select(!id) %>% RIestThetas2(cpu = 8, itemParams = itemParams.psm) df.index <- df.indexNew %>% select(id,PSMscore) %>% left_join(df.index,df.indexNew, by = "id") # reverse score to match old index df.index$PSMscore <- df.index$PSMscore*-1 ``` ```{r} # rescale to match 0-100 range df.index$PSMscore100 <- round(scales::rescale(df.index$PSMscore, to = c(0,100)),0) ``` ### Nytt index (8 items) Det index som både representerar psykosomatiska och psykiska besvär innehåller 8 frågor, och beräknas utifrån items efter korrigering av svarskategorier. ```{r} newIndex <- read_csv("PSFitemnr.csv") items.psnew <- newIndex$itemnr df.index8 <- df.all %>% select(items.psnew, Kön, ARSKURS, ar, SkolSDO) RIlistitems(df.index8) ``` ```{r} # read item parameters from previous analysis itemParams.psnew <- read_csv("itemParameters.csv") %>% as.matrix() # create id variable to re-join thetas df.index8 <- df.index8 %>% mutate(id = seq.int(nrow(.))) # recode items to correct response categories df.indexNew8 <- df.index8 %>% select(all_of(c(items.psnew,"id"))) %>% na.omit() rcat1 <- c("F91") rcat2 <- c("F95", "F97") rcat3 <- c("F92", "F93", "F98", "F99") for (i in rcat1) { df.indexNew8[[i]] <- recode(df.indexNew8[[i]], "2=1;3=2;4=2", as.factor = FALSE) } for (i in rcat2) { df.indexNew8[[i]] <- recode(df.indexNew8[[i]], "1=0;2=1;3=2;4=3", as.factor = FALSE) } for (i in rcat3) { df.indexNew8[[i]] <- recode(df.indexNew8[[i]], "4=3", as.factor = FALSE) } #RItileplot(df.indexNew %>% select(!id)) #itemParams.psm df.indexNew8$PS8score <- df.indexNew8 %>% select(!id) %>% RIestThetas2(cpu = 8, itemParams = itemParams.psnew) df.index8 <- df.indexNew8 %>% select(id,PS8score) %>% left_join(df.index8,df.indexNew8, by = "id") # reverse score to match old index df.index8$PS8score <- df.index8$PS8score*-1 # and rescaled version df.index8$PS8score100 <- round(scales::rescale(df.index8$PS8score, to = c(0,100)),0) ``` ```{r} #| fig-width: 12 #| fig-height: 6 df.index %>% filter(ar == 2020) %>% filter(Kön %in% c("Pojke","Flicka")) %>% filter(ARSKURS == "Åk 9") %>% filter(!is.na(SkolSDO)) %>% group_by(SkolSDO,Kön) %>% summarise(PSFmean = round(mean(PSMscore100, na.rm = T),0)) %>% ggplot(aes(y = PSFmean, x = SkolSDO, fill = Kön, color = Kön)) + geom_chicklet( radius = grid::unit(1.5, "mm"), position = "dodge" ) + geom_hline(data = . %>% filter(Kön == "Pojke"), aes(yintercept = mean(PSFmean)), linetype = 2, color = "darkgrey") + geom_hline(data = . %>% filter(Kön == "Flicka"), aes(yintercept = mean(PSFmean)), linetype = 3, color = "black") + geom_text(aes(label = PSFmean, y = PSFmean + 2), position = position_dodge(width = .9), color = "black", size = 3.8 ) + # annotate("text", label = "Medelvärde", y = 57, x = 3, color = "darkgrey") + scale_fill_manual("Kön", values = RISEpalette1[c(1, 5)], aesthetics = c("color", "fill")) + scale_x_discrete("Stadsdel", guide = guide_axis(n.dodge = 3)) + scale_y_continuous(limits = c(0,100)) + theme_minimal(base_size = 12) + theme_rise(axissize = 14, titlesize = 16) + theme(text = element_text(family = "Lato")) + ylab("Medelvärde") + labs(title = "Psykosomatiska besvär indexvärde", subtitle = "5 items, år 2020, åk 9", caption = "Streckade linjer betecknar medelvärde per kön för samtliga stadsdelar") ``` ```{r} #| fig-width: 12 #| fig-height: 6 df.index8 %>% filter(ar == 2020) %>% filter(Kön %in% c("Pojke","Flicka")) %>% filter(ARSKURS == "Åk 9") %>% filter(!is.na(SkolSDO)) %>% group_by(SkolSDO,Kön) %>% summarise(PSFmean = round(mean(PS8score100, na.rm = T),0)) %>% ggplot(aes(y = PSFmean, x = SkolSDO, fill = Kön, color = Kön)) + geom_chicklet( radius = grid::unit(1.5, "mm"), position = "dodge" ) + geom_hline(data = . %>% filter(Kön == "Pojke"), aes(yintercept = mean(PSFmean)), linetype = 2, color = "darkgrey") + geom_hline(data = . %>% filter(Kön == "Flicka"), aes(yintercept = mean(PSFmean)), linetype = 3, color = "black") + geom_text(aes(label = PSFmean, y = PSFmean + 2), position = position_dodge(width = .9), color = "black", size = 3.8 ) + # annotate("text", label = "Medelvärde", y = 57, x = 3, color = "darkgrey") + scale_fill_manual("Kön", values = RISEpalette1[c(1, 5)], aesthetics = c("color", "fill")) + scale_x_discrete("Stadsdel", guide = guide_axis(n.dodge = 3)) + scale_y_continuous(limits = c(0,100)) + theme_minimal(base_size = 12) + theme_rise(axissize = 14, titlesize = 16) + theme(text = element_text(family = "Lato")) + ylab("Medelvärde") + labs(title = "Psykiska/psykosomatiska besvär indexvärde", subtitle = "8 items, år 2020, åk 9", caption = "Streckade linjer betecknar medelvärde per kön för samtliga stadsdelar") ``` ### Indexvärde över tid, åk 9 ```{r} #| fig-width: 12 #| fig-height: 10 årtal <- c(2006,2008,2010,2012,2014,2016,2018,2020,2022) # library(ggiraph) # psfTid <- df.indexR %>% # filter(Kön %in% c("Pojke", "Flicka")) %>% # filter(!is.na(SkolSDO)) %>% # group_by(ar, SkolSDO, Kön) %>% # summarise(PSFmean = round(mean(PSFindex, na.rm = T), 0), # stdev = round(sd(PSFindex, na.rm = T))) %>% # ggplot(aes(y = PSFmean, x = ar, color = Kön, group = Kön)) + # geom_line(linewidth = 1) + # geom_point_interactive(aes(tooltip = PSFmean), # size = 1.5) + # geom_ribbon(aes(ymin = PSFmean-stdev, ymax = PSFmean+stdev, fill = Kön), # alpha = 0.15, linetype = 0) + # geom_hline(data = . %>% filter(Kön == "Pojke"), aes(yintercept = mean(PSFmean)), # linetype = 2, color = "black", alpha = 0.8) + # geom_hline(data = . %>% filter(Kön == "Flicka"), aes(yintercept = mean(PSFmean)), # linetype = 3, color = "black", alpha = 0.8) + # scale_fill_manual("Kön", values = RISEpalette1[c(1, 5)], aesthetics = c("color", "fill")) + # scale_x_continuous("År",guide = guide_axis(n.dodge = 2), breaks = årtal) + # scale_y_continuous("Medelvärde", limits = c(0,100)) + # labs(title = "Psykisk ohälsa indexvärde", # caption = "Skuggade fält indikerar en standardavvikelse") + # facet_wrap(~SkolSDO) + # theme_minimal(base_size = 11) + # theme_rise() # # ggiraph(ggobj = psfTid) df.indexR %>% filter(Kön %in% c("Pojke", "Flicka")) %>% filter(!is.na(SkolSDO)) %>% filter(ARSKURS == "Åk 9") %>% group_by(ar, SkolSDO, Kön) %>% summarise(PSFmean = round(mean(PSFindex, na.rm = T), 0), stdev = round(sd(PSFindex, na.rm = T))) %>% ggplot(aes(y = PSFmean, x = ar, color = Kön, group = Kön)) + geom_line(linewidth = 1) + geom_point(size = 2.5) + geom_ribbon(aes(ymin = PSFmean-stdev, ymax = PSFmean+stdev, fill = Kön), alpha = 0.15, linetype = 0) + geom_hline(data = . %>% filter(Kön == "Pojke"), aes(yintercept = mean(PSFmean)), linetype = 2, color = "black", alpha = 0.8) + geom_hline(data = . %>% filter(Kön == "Flicka"), aes(yintercept = mean(PSFmean)), linetype = 3, color = "black", alpha = 0.8) + scale_fill_manual("Kön", values = RISEpalette1[c(1, 5)], aesthetics = c("color", "fill")) + scale_x_continuous("År",guide = guide_axis(n.dodge = 2), breaks = årtal) + scale_y_continuous("Medelvärde", limits = c(0,100)) + labs(title = "Psykisk hälsa indexvärde", subtitle = "5 items, befintligt index", caption = "Skuggade fält indikerar en standardavvikelse") + facet_wrap(~SkolSDO) + theme_minimal(base_size = 11) + theme_rise() + theme(text = element_text(family = "Lato")) ``` ```{r} #| fig-width: 12 #| fig-height: 10 # psfTidscore <- df.index %>% # filter(Kön %in% c("Pojke", "Flicka")) %>% # filter(!is.na(SkolSDO)) %>% # group_by(ar, SkolSDO, Kön) %>% # summarise(PSFmean = round(mean(PSMscore100, na.rm = T), 0), # stdev = round(sd(PSMscore100, na.rm = T))) %>% # ggplot(aes(y = PSFmean, x = ar, color = Kön, group = Kön)) + # geom_line(linewidth = 1) + # geom_point_interactive(aes(tooltip = PSFmean), # size = 1.5) + # geom_ribbon(aes(ymin = PSFmean-stdev, ymax = PSFmean+stdev, fill = Kön), # alpha = 0.15, linetype = 0) + # geom_hline(data = . %>% filter(Kön == "Pojke"), aes(yintercept = mean(PSFmean)), # linetype = 2, color = "black", alpha = 0.8) + # geom_hline(data = . %>% filter(Kön == "Flicka"), aes(yintercept = mean(PSFmean)), # linetype = 3, color = "black", alpha = 0.8) + # scale_fill_manual("Kön", values = RISEpalette1[c(1, 5)], aesthetics = c("color", "fill")) + # scale_x_continuous("År",guide = guide_axis(n.dodge = 2), breaks = årtal) + # scale_y_continuous("Medelvärde", limits = c(0,100)) + # labs(title = "Psykosomatiska besvär indexvärde", # caption = "Skuggade fält indikerar en standardavvikelse") + # facet_wrap(~SkolSDO) + # theme_minimal(base_size = 11) + # theme_rise() # # ggiraph(ggobj = psfTidscore) df.index %>% filter(Kön %in% c("Pojke", "Flicka")) %>% filter(!is.na(SkolSDO)) %>% filter(ARSKURS == "Åk 9") %>% group_by(ar, SkolSDO, Kön) %>% summarise(PSFmean = round(mean(PSMscore100, na.rm = T), 0), stdev = round(sd(PSMscore100, na.rm = T))) %>% ggplot(aes(y = PSFmean, x = ar, color = Kön, group = Kön)) + geom_line(linewidth = 1) + geom_point(size = 2.5) + geom_ribbon(aes(ymin = PSFmean-stdev, ymax = PSFmean+stdev, fill = Kön), alpha = 0.15, linetype = 0) + geom_hline(data = . %>% filter(Kön == "Pojke"), aes(yintercept = mean(PSFmean)), linetype = 2, color = "black", alpha = 0.8) + geom_hline(data = . %>% filter(Kön == "Flicka"), aes(yintercept = mean(PSFmean)), linetype = 3, color = "black", alpha = 0.8) + scale_fill_manual("Kön", values = RISEpalette1[c(1, 5)], aesthetics = c("color", "fill")) + scale_x_continuous("År",guide = guide_axis(n.dodge = 2), breaks = årtal) + scale_y_continuous("Medelvärde", limits = c(0,100)) + labs(title = "Psykosomatiska besvär indexvärde", subtitle = "5 items, nytt index", caption = "Skuggade fält indikerar en standardavvikelse") + facet_wrap(~SkolSDO) + theme_minimal(base_size = 11) + theme_rise() + theme(text = element_text(family = "Lato")) ``` ```{r} #| fig-width: 12 #| fig-height: 10 df.index8 %>% filter(Kön %in% c("Pojke", "Flicka")) %>% filter(!is.na(SkolSDO)) %>% filter(ARSKURS == "Åk 9") %>% group_by(ar, SkolSDO, Kön) %>% summarise(PSFmean = round(mean(PS8score100, na.rm = T), 0), stdev = round(sd(PS8score100, na.rm = T))) %>% ggplot(aes(y = PSFmean, x = ar, color = Kön, group = Kön)) + geom_line(linewidth = 1) + geom_point(size = 2.5) + geom_ribbon(aes(ymin = PSFmean-stdev, ymax = PSFmean+stdev, fill = Kön), alpha = 0.15, linetype = 0) + geom_hline(data = . %>% filter(Kön == "Pojke"), aes(yintercept = mean(PSFmean)), linetype = 2, color = "black", alpha = 0.8) + geom_hline(data = . %>% filter(Kön == "Flicka"), aes(yintercept = mean(PSFmean)), linetype = 3, color = "black", alpha = 0.8) + scale_fill_manual("Kön", values = RISEpalette1[c(1, 5)], aesthetics = c("color", "fill")) + scale_x_continuous("År",guide = guide_axis(n.dodge = 2), breaks = årtal) + scale_y_continuous("Medelvärde", limits = c(0,100)) + labs(title = "Psykiska/psykosomatiska besvär indexvärde", subtitle = "8 items, nytt index", caption = "Skuggade fält indikerar en standardavvikelse") + facet_wrap(~SkolSDO) + theme_minimal(base_size = 11) + theme_rise() + theme(text = element_text(family = "Lato")) ``` :::: ### Fördelningar ```{r} df.indexR %>% filter(ar == 2020) %>% filter(ARSKURS == "Åk 9") %>% select(PSFindex) %>% summary() df.indexR %>% filter(ar == 2020) %>% filter(ARSKURS == "Åk 9") %>% select(PSFindex) %>% pull() %>% hist(., col = RISEprimGreen, main = "Psykisk ohälsa indexvärden") summary(df.indexR$PSFindex) ``` ```{r} df.index %>% filter(ar == 2020) %>% filter(ARSKURS == "Åk 9") %>% select(PSMscore100) %>% summary() df.index %>% filter(ar == 2020) %>% filter(ARSKURS == "Åk 9") %>% select(PSMscore100) %>% pull() %>% hist(., col = RISEprimGreen, main = "Psykosomatiska besvär 5 item") ``` ```{r} df.index8 %>% filter(ar == 2020) %>% filter(ARSKURS == "Åk 9") %>% select(PS8score100) %>% summary() df.index8 %>% filter(ar == 2020) %>% filter(ARSKURS == "Åk 9") %>% select(PS8score100) %>% pull() %>% hist(., col = RISEprimGreen, main = "Psykosomatiska besvär 8 item") ``` ### Violin- & boxplot jämförelse ```{r} library(PrettyCols) df.indexR %>% filter(Kön %in% c("Pojke", "Flicka")) %>% filter(!is.na(SkolSDO)) %>% filter(ARSKURS == "Åk 9") %>% mutate(År = factor(ar)) %>% ggplot(aes(x = År, y = PSFindex, group = År)) + geom_jitter(shape = 16, position = position_jitter(0.3), alpha = 0.05) + geom_violin(aes(fill = År), alpha= 0.85) + geom_boxplot(width = .3, outlier.shape = NA, alpha = 0.3, notch = TRUE) + xlab("År") + ylab("Indexvärde") + # scale_color_manual( # values = RISEpalette1[c(1, 5)], # aesthetics = c("fill", "color") # ) + scale_fill_pretty_d(name = "TealGreens") + labs( title = "Psykisk hälsa", subtitle = "Befintligt index", caption = "I boxen ryms 50% av respondenterna. Strecket indikerar medianvärdet" ) + theme_minimal() + theme_rise() + theme( text = element_text(family = "Lato") ) ``` ```{r} df.index %>% filter(Kön %in% c("Pojke", "Flicka")) %>% filter(!is.na(SkolSDO)) %>% filter(ARSKURS == "Åk 9") %>% mutate(År = factor(ar)) %>% ggplot(aes(x = År, y = PSMscore100, group = År)) + geom_jitter(shape = 16, position = position_jitter(0.3), alpha = 0.05) + geom_violin(aes(fill = År), alpha= 0.85) + geom_boxplot(width = .3, outlier.shape = NA, alpha = 0.3, notch = TRUE) + xlab("År") + ylab("Indexvärde") + # scale_color_manual( # values = RISEpalette1[c(1, 5)], # aesthetics = c("fill", "color") # ) + scale_fill_pretty_d(name = "TealGreens") + labs( title = "Psykosomatiska besvär", subtitle = "Nytt 5-item index", caption = "I boxen ryms 50% av respondenterna. Strecket indikerar medianvärdet" ) + theme_minimal() + theme_rise() + theme( text = element_text(family = "Lato") ) ``` ```{r} df.index8 %>% filter(Kön %in% c("Pojke", "Flicka")) %>% filter(!is.na(SkolSDO)) %>% filter(ARSKURS == "Åk 9") %>% mutate(År = factor(ar)) %>% ggplot(aes(x = År, y = PS8score100, group = År)) + geom_jitter(shape = 16, position = position_jitter(0.3), alpha = 0.05) + geom_violin(aes(fill = År), alpha= 0.85) + geom_boxplot(width = .3, outlier.shape = NA, alpha = 0.3, notch = TRUE) + xlab("År") + ylab("Indexvärde") + # scale_color_manual( # values = RISEpalette1[c(1, 5)], # aesthetics = c("fill", "color") # ) + scale_fill_pretty_d(name = "TealGreens") + labs( title = "Psykiska/psykosomatiska besvär", subtitle = "Nytt 8-item index", caption = "I boxen ryms 50% av respondenterna. Strecket indikerar medianvärdet" ) + theme_minimal() + theme_rise() + theme( text = element_text(family = "Lato") ) ``` #### Fördelat på kön ```{r} library(PrettyCols) df.indexR %>% filter(Kön %in% c("Pojke", "Flicka")) %>% filter(!is.na(SkolSDO)) %>% filter(ARSKURS == "Åk 9") %>% mutate(År = factor(ar)) %>% ggplot(aes(x = År, y = PSFindex, group = År)) + geom_jitter(shape = 16, position = position_jitter(0.3), alpha = 0.05) + geom_violin(aes(fill = År), alpha= 0.85) + geom_boxplot(width = .3, outlier.shape = NA, alpha = 0.3, notch = TRUE) + xlab("År") + ylab("Indexvärde") + # scale_color_manual( # values = RISEpalette1[c(1, 5)], # aesthetics = c("fill", "color") # ) + scale_fill_pretty_d(name = "Rainbow") + labs( title = "Psykisk hälsa", subtitle = "Befintligt index", caption = "I boxen ryms 50% av respondenterna. Strecket indikerar medianvärdet" ) + theme_minimal() + theme_rise() + theme( text = element_text(family = "Lato") ) + facet_wrap(~Kön) ``` ```{r} df.index %>% filter(Kön %in% c("Pojke", "Flicka")) %>% filter(!is.na(SkolSDO)) %>% filter(ARSKURS == "Åk 9") %>% mutate(År = factor(ar)) %>% ggplot(aes(x = År, y = PSMscore100, group = År)) + geom_jitter(shape = 16, position = position_jitter(0.3), alpha = 0.05) + geom_violin(aes(fill = År), alpha= 0.85) + geom_boxplot(width = .3, outlier.shape = NA, alpha = 0.3, notch = TRUE) + xlab("År") + ylab("Indexvärde") + # scale_color_manual( # values = RISEpalette1[c(1, 5)], # aesthetics = c("fill", "color") # ) + scale_fill_pretty_d(name = "Rainbow") + labs( title = "Psykosomatiska besvär", subtitle = "Nytt 5-item index", caption = "I boxen ryms 50% av respondenterna. Strecket indikerar medianvärdet" ) + theme_minimal() + theme_rise() + theme( text = element_text(family = "Lato") ) + facet_wrap(~Kön) ``` ```{r} df.index8 %>% filter(Kön %in% c("Pojke", "Flicka")) %>% filter(!is.na(SkolSDO)) %>% filter(ARSKURS == "Åk 9") %>% mutate(År = factor(ar)) %>% ggplot(aes(x = År, y = PS8score100, group = År)) + geom_jitter(shape = 16, position = position_jitter(0.3), alpha = 0.05) + geom_violin(aes(fill = År), alpha= 0.85) + geom_boxplot(width = .3, outlier.shape = NA, alpha = 0.3, notch = TRUE) + xlab("År") + ylab("Indexvärde") + # scale_color_manual( # values = RISEpalette1[c(1, 5)], # aesthetics = c("fill", "color") # ) + scale_fill_pretty_d(name = "Rainbow") + labs( title = "Psykiska/psykosomatiska besvär", subtitle = "Nytt 8-item index", caption = "I boxen ryms 50% av respondenterna. Strecket indikerar medianvärdet" ) + theme_minimal() + theme_rise() + theme( text = element_text(family = "Lato") ) + facet_wrap(~Kön) ``` ### Tak-/golveffekter ```{r} df.indexR %>% group_by(PSFindex) %>% reframe(n = n()) %>% mutate(Procent = round(100*n/sum(n),1)) %>% formattable(., table.attr = 'class=\"table table-striped\" style="font-size: 15px; font-family: Lato; width: 50%"') ``` ```{r} df.index %>% group_by(PSMscore100) %>% reframe(n = n()) %>% mutate(Procent = round(100*n/sum(n),1)) %>% formattable(., table.attr = 'class=\"table table-striped\" style="font-size: 15px; font-family: Lato; width: 50%"') ``` ```{r} df.index8 %>% group_by(PS8score100) %>% reframe(n = n()) %>% mutate(Procent = round(100*n/sum(n),1)) %>% formattable(., table.attr = 'class=\"table table-striped\" style="font-size: 15px; font-family: Lato; width: 50%"') ``` ## Programvara som använts för analyserna ```{r} #| label: packagesv pkgs <- cite_packages(cite.tidyverse = TRUE, output = "table", bib.file = "grateful-refs.bib", include.RStudio = TRUE) formattable(pkgs, table.attr = 'class=\"table table-striped\" style="font-size: 15px; font-family: Lato; width: 80%"') ``` ## Referenser